ADL137《联邦学习与隐私计算》开始报名

讲者简介：范力欣博士是微众银行人工智能首席科学家，他的研究领域包括机器学习和深度学习，隐私计算和联邦学习，计算机视觉和模式识别，图像和视频处理，3D大数据处理，数据可视化和渲染，增强和虚拟现实，移动计算和普适计算以及智能人机界面。范博士是70多篇国际期刊和会议文章作者，范博士曾在诺基亚研究中心和欧洲施乐研究中心工作。范博士长期参加NIPS/NeurIPS，ICML，CVPR，ICCV，ECCV，IJCAI等顶级人工智能会议并担任AAAI领域主席，主持举办了各个技术领域的研讨会。他还是在美国，欧洲和中国提交的近百项专利的发明人，和IEEE可解释人工智能标准制定组主席。

报告题目：可信联邦学习

报告摘要：联邦学习是分布式机器学习中解决隐私保护的重要技术方法,一方面,在联合建模过程中如何能够把尽量多的数据利用起来。另一方面,监管机构和社会对隐私保护的要求也日趋严格。联邦学习提出以数据不动模型动和数据可用不可见的方式,来解决这种两难的困境。在联邦学习产业应用蓬勃发展的形势下，如何使联邦学习在安全可信的基础上，更加高效地满足大规模人工智能应用的需求，是今后产业和学界关注的重点。本报告将系统回顾可信联邦学习的进展和挑战，并展望几个重要发展方向。

讲者简介：刘洋，清华大学智能产业研究院副教授、副研究员，曾任深圳前海微众银行股份有限公司资深研究员、联邦学习研究团队负责人。拥有30余项国际国内授权专利，并在Nature、AAAI、IJCAI、USENIX、ACM TIST 等知名学术期刊发表科研成果。《联邦学习》和《Federated Learning》的主要作者之一。担任ACM TIST期刊编委，曾担任IEEE Intelligent Systems，IEEE TBD等期刊客座编辑。曾获CCF科学技术奖科技进步杰出奖，AAAI人工智能创新奖等多个奖项，获评MIT TR中国隐私计算科技创新人物。

报告题目：联邦学习的前沿研究进展

报告摘要：联邦学习作为一种保护数据安全的分布式机器学习新范式，近几年被广泛研究与应用。围绕联邦学习的核心挑战，本报告将首先回顾联邦学习中的效率、安全与性能在面向实际异构复杂场景中的前沿研究进展，并系统讲解基于知识流动的跨模态联邦学习等新型研究趋势，最后展望联邦学习在医疗、AIoT等产业的最新应用趋势以及未来面临的挑战。 

讲者简介：金耀初目前为德国比勒菲尔德大学“洪堡人工智能教席教授”，兼任英国萨里大学“计算智能杰出讲席教授”。欧洲科学院院士、IEEE Fellow。目前为《Complex & Intelligent Systems》主编，并担任多个国际期刊副编辑/编委。曾任教育部“长江学者讲座教授”、芬兰国家技术创新局“芬兰杰出教授”，IEEE计算智能学会副理事长。长期从事人工智能与计算智能的算法和工程应用研究。已发表学术论文500余篇，论文被引用总次数35,000余次，入选Web of Science 2019、2020、2021年度“全球高被引科学家”。

报告题目：安全及隐私保护的数据驱动优化

报告摘要：近年来，联邦学习等隐私保护机器学习获得了长足的发展。然而在智能制造、数字金融及智慧物流等行业起关键作用的数据驱动的优化与决策中的隐私保护尚未得到重视。本报告首先简单回顾隐私保护机器学习，特别是通讯有效的联邦学习、联邦神经网络架构搜索及纵向联邦学习。在此基础上，介绍数据驱动的复杂系统优化，并讨论基于数据加密技术的高斯过程建模及基于差分隐私和汤普生采样的具有隐私保护能力的贝叶斯优化算法，并讨论其局限性。最后提出两种基于神经网络、联邦学习及密码学的隐私保护贝叶斯优化算法。

讲者简介：丁博麟，阿里巴巴-智能计算实验室资深技术专家。于中国人民大学完成数学与应用数学本科学习，后前往香港中文大学和美国伊利诺伊大学香槟分校，分别获得系统工程硕士和计算机科学博士。研究方向包括：数据隐私保护，智能系统（AI4DB，AI4Econ），机器学习算法理论及应用。2018年4月加入阿里巴巴。之前就职于美国微软研究院任研究员。项目成果被授予十余项美国技术专利，多项成果直接应用于业界重要软件和服务。研究成果发表于SIGMOD，VLDB，ICDE，KDD，NIPS，ICML，ICLR，CHI等多个领域的顶尖国际会议。

报告题目：搭建通用和高效的联邦机器学习框架

报告摘要：近年来，联邦学习作为一种既能保护数据中的用户隐私、又能促进数据价值流通的技术解决方案，受到越来越多的关注。随着5G、物联网、云计算技术的发展，我们注意到除了如何提供数据隐私保护，联邦学习技术在应用和落地中还面临三大异构性挑战：1）不同设备在计算环境、算力、存储能力、和通讯能力上的差异称为系统资源异构；2）各个设备本地数据非独立同分布会导致数据异构；3）不同的应用场景的目标又会带来行为异构。我们设计和实现FederatedScope以应对以上的挑战。一方面，以事件驱动描述和编写联邦学习算法，具有很高的灵活度，可以使得联邦学习平台扩展和兼容不断革新的联邦学习算法；另一方面，FederatedScope提供了一系列算法接口和插件，使得开发者可以从零开始高效地搭建、模拟、测试联邦学习平台。我们将在这个讲座里从样例出发介绍我们设计FederatedScope的思路，和我们汲取的经验和教训。 

讲者简介：吴方照是微软亚洲研究院研究员。在Nature Communications，ACL，KDD，WWW等期刊和会议发表学术论文多篇。曾获NLPCC 2019优秀论文奖，WSDM 2019 Outstanding PC和AAAI 2021 Best SPC。AAAI 2022领域主席，中国计算机学会高级会员。目前从事负责任AI、用户隐私保护、推荐系统、自然语言处理等方面的研究和实践。研究成果在Microsoft News、Bing Ads等多个微软产品中得到应用。

报告题目：高效、准确、可信的联邦学习

报告摘要：联邦学习是一种面向隐私保护的机器学习框架，可以在不收集用户数据的情况下进行AI模型的协同训练，实现隐私数据的“可用不可见”。然而联邦学习在实际应用中存在诸多严峻挑战，如模型的本地训练和与服务器的频繁交互使得用户端的计算和通信开销十分巨大、本地数据和设备的异构性会影响模型性能、上传的模型更新存在隐私风险、训练的过程易受攻击等。本报告将分享我们在构建更加高效、准确和可信赖的联邦学习上的研究和思考，包括提高联邦学习的计算和通信效率、解决联邦学习数据和设备的异构性、增强联邦学习的隐私保护能力和安全性等。

讲者简介：张钧波，博士，现任京东智能城市研究院人工智能实验室主任/资深研究员、京东科技数字城市群高级总监。主要从事时空人工智能与数据科学、城市计算、深度学习、联邦学习等领域研究。近年来承担国家重点研发计划课题、国家自然科学基金面上项目等课题。在AI Journal/IEEE TKDE/KDD/AAAI/IJCAI/WWW/ACL/UbiComp等国内外权威期刊和会议上发表论文60余篇（引用6000多次，H-Index：33），申请发明专利数十项，出版专著1部。担任AI领域国际权威期刊《ACM Transactions on Intelligent Systems and Technology》编委。连续两年（2022/2021）入选AI 2000人工智能全球最具影响力学者提名，均在“经典AI全球最具影响力学者”榜单中位列全球前30。连续两届荣获中国专利优秀奖、荣获教育部自然科学二等奖、CCF科学技术奖科技进步杰出奖。带领团队开发面向智能城市的专有AI产品，在北京、雄安、南通、宿迁等数十个智慧城市项目中得到应用落地，时空AI技术入选2021年度京东十大科技突破，获京东专利奖银奖。他是IEEE Senior Member, CCF高级会员、CCF-AI专委会执行委员。

报告题目：时空AI与联邦学习：助力城市数据一网共享

报告摘要：随着物联网、5G、移动互联网等新一代信息技术的迅速发展，使得时空大数据呈爆炸式增长，这些数据与视图、文本、语音数据不同，呈现出独有的时空特性，包括空间距离与层次性，以及时间临近性、周期性和趋势性。另外，信息孤岛、数据壁垒等的存在很大程度上制约了智能城市等领域的发展，如何解决城市时空数据共享和隐私安全之间的矛盾问题使之助力产业发展变得尤为关键。本报告将围绕智能城市实际应用需求，分享时空AI与联邦学习关键技术及其实际应用案例。

讲者简介：任奎，CCF会士，浙江大学求是讲席教授、ACM和IEEE会士，目前担任浙江大学网络空间安全学院院长、浙江省区块链与网络空间治理重点实验室主任，并曾担任纽约州立大学布法罗分校冠名教授及普适安全与隐私实验室主任。任奎教授是数据安全、人工智能安全等相关领域的国际著名学者。他先后主持和参与了多项基金委、科技部、省市级重点项目，建立了多个政产学研研发基地和联合实验室，研究成果在工业界有广泛应用。任奎教授发表了300余篇同行评议的期刊与会议文章，获得了多篇ACM/IEEE顶级会议最佳论文和时间考验论文奖。他的H-Index为87，文章总引用次数超过41,000次，并连续三年入选科睿唯安高被引科学家。任奎教授担任了多个国际权威期刊编委，国际一流会议主席，同时担任了第八届教育部科学技术委员会委员、高等学校教学指导委员会委员、浙江大学学术委员会委员、IEEE计算机学会和通信学会会士遴选委员会委员、ACM海德堡桂冠论坛遴选委员会委员、ACM亚洲计算机与通信安全会议指导委员会委员、ACM中国安全分会主席、ACM安全分会奖励委员会委员。

报告题目：隐私计算：向实用化迈进

报告摘要：全球数字化转型之下，数据和隐私泄露问题也日益严重。隐私计算这个概念在近些年才开始普及，但相关技术的发展历史却已经有将近40年。隐私计算技术渗透影响到包括收集、处理、存储、传输、共享以及销毁在内的数据全生命周期的各个阶段，在数据安全与隐私保护领域扮演了至关重要的作用。本次报告将探讨差分隐私、安全多方计算、联邦学习这三项隐私计算领域研究热点的演进历史、理论基础、前沿进展、面临挑战和产品落地应用最新实践，并结合浙江大学网安团队目前在相关领域的工作成果，展望未来发展。此外，我们还将聚焦数据市场安全应用中所需的隐私计算技术，介绍和探讨数据合规、脱敏、定价、交易等方向上的最新安全技术与发展方向。 

讲者简介：童咏昕，北京航空航天大学计算机学院教授，博导，国家优青基金获得者。2014年于香港科技大学获计算机科学与工程学博士学位，随后留校担任研究助理教授。目前主要研究方向包括：联邦学习、隐私计算、时空大数据挖掘分析与群体智能等。近年先后主持国家自然基金重点项目、国家重点研发计划课题等科研项目。共发表学术论文百余篇，曾获中国电子学会自然科学一等奖（排名1）、首届阿里巴巴达摩院“青橙奖”和多个国际一流学术会议/竞赛的最佳论文与冠军；担任《Frontiers of Computer Science》期刊的执行编委、《IEEE TKDE》与《IEEE TBD》等国际期刊编委和多个CCF-A类会议程序委员会领域主席（PC Area Chair）；也是CCF杰出会员、CCF会员与分部工委副主任、CCF走进高校工作组组长。

报告题目：联邦计算：从联邦查询到联邦学习

报告摘要：近年来隐私泄露事件直接威胁到国家安全和经济发展，解决数据要素流动与隐私保护的矛盾已成为服务国家数字经济战略的一项重要挑战。联邦计算以其“原始数据不出域、数据可用不可见”的共享理念为破解跨域数据要素流动问题提供了一种全新思路。本报告首先回顾隐私计算技术与数据科学领域的融合发展历程；随后阐述联邦查询与联邦学习的区别与联系，分析当前联邦计算的前沿技术；然后介绍本团队所研发的联邦计算系统——“虎符”，其已适配当前主流大数据计算平台，支持多方数据自治下的安全高效查询分析；并进一步剖析虎符系统在公共卫生、交通出行与电信安全等行业的应用案例；最后对该领域当前挑战和未来发展进行总结展望。

杜军平，北京邮电大学计算机学院教授、博士生导师，CCF会士、CAAI会士。北京邮电大学校学术委员会委员、计算机应用技术中心主任。长期从事联邦学习、空间多源数据智能分析与融合、跨媒体旅游大数据智能处理、社交网络挖掘与搜索、多模态领域信息精准搜索等领域的研究，先后主持了30余项国家和省部级科研项目，包括主持国家自然科学基金重大项目、国家重点研发计划项目、国家自然科学基金重点项目、973计划课题、863计划项目、国家自然科学基金重大国际合作项目、北京市自然科学基金重点项目北京市教委重点项目等。获国家技术发明奖二等奖、高等学校科学研究优秀成果奖（科学技术）技术发明一等奖、北京市科学技术二等奖、吴文俊人工智能自然科学奖二等奖等。

在IEEE TPAMI、IJCAI、TKDE、ICDE、ACM MM、CVPR、TAC、TNNLS、TNN、TCST、TSMC、TIM、TVT、TIFS、TC、TCS等国际重要刊物和国内外学术会议上共发表论文400余篇，包括SCI论文130篇、CCF A类论文19篇，中科院1区论文21篇、JCR 1区论文55篇、IEEE汇刊论文28篇，出版专著6部，申请和授权国家发明专利37项，登记软件著作权15项，担任《CAAI Transactions on Intelligent Technology》、《智能系统学报》期刊编委等。长期担任国家自然科学基金信息学部优秀青年基金、重点项目、面地青项目会评专家。

讲者简介：童咏昕，北京航空航天大学计算机学院教授，博士生导师，国家自然科学基金优秀青年基金获得者。2014年于香港科技大学获计算机科学与工程学博士学位，随后留校担任研究助理教授。目前主要研究方向包括：联邦学习、隐私计算、时空大数据挖掘分析、数据库系统与群体智能等。近年来，先后主持国家自然基金重点项目、国家重点研发计划课题等科研项目。共发表学术论文百余篇，其中以第一/通讯作者发表CCF-A类论文60余篇。曾获中国电子学会自然科学一等奖（排名1）、首届阿里巴巴达摩院“青橙奖”和多个国际一流学术会议/竞赛的最佳论文与冠军；担任《Frontiers of Computer Science》期刊的执行编委、《IEEE TKDE》与《IEEE TBD》等国际期刊编委和多个CCF-A类会议程序委员会领域主席（PC Area Chair）；也是CCF杰出会员、CCF会员与分部工委副主任、CCF走进高校工作组组长。

报名方式：