聚焦联邦学习与人工智能！6位专家讲解最硬核技术及行业热点！

在大多数行业中，由于行业竞争、隐私保护、行政审批手续复杂等原因，数据孤岛现象普遍，数据整合阻力重重。随着社会进步，数据隐私和安全日益被重视，已成为世界性的趋势，在现实中将分散在各个机构的数据进行整合，成本巨大且不现实。

面对全球对于隐私保护及AI向善的呼声，联邦学习日渐成为被业界重视并接受的新一代AI基础技术。联邦学习是直面数据孤岛问题应运而生的一种新的人工智能建模方法，它通过加密机制进行有限数据交换，做到各个机构的自有数据不出机构，在不违反数据隐私保护的前提下，建立一个虚拟的共有模型。这个虚拟模型就和把数据聚合在一起建立的最优模型一样，但是在建立虚拟模型的时候，数据本身不移动，因此不会泄露隐私数据。而建立的虚拟模型可在各自的机构仅为本机构的目标服务。在这样一个联邦机制下，各个参与者的身份和地位相同，而联邦学习系统帮助参与者建立了“共同富裕”的策略，这就是为什么这个方法叫做“联邦学习”的原因。在联邦学习的场景下，数据的各个拥有方在各自数据不出本地的情况下建立模型，用户的隐私得到了保障。

联邦学习是否能有效地解决当前人工智能技术面临的数据安全问题？

是否能够扫除人工智能落地最后一公里的障碍？

如果你想和更多同行、专家共同讨论这个话题，请搜索和关注“CCF在线”小程序，进入小程序首页后，点击底部菜单“CCF问答”，欢迎参与和发起 《联邦学习》互动讨论。