دراسة الاتحادية، هو بلا شك واحدة من أكثر الصناعات بحوث الذكاء الاصطناعي الحالي والأوساط الأكاديمية المعنية.

خلال العامين الماضيين، تحت إشراف البروفيسور يانغ تشيانغ الترويج المشترك لخبراء عالميين، والغالبية العظمى من عمالقة التكنولوجيا المحلية والدولية، وبدأت في بناء دراسة الاتحادية من فرق البحث والتطبيق.

وبناء على هذا، شبكة لى فنغ "مراجعة AI المالية" و "AI تقنية مراجعة" الاتحادي دعوة خمسة خبراء بارزين التعلم المشترك، يبدأ "الاتحادية المالية تعلم الفئة المفتوحة". والتي في القسم الأول من الفئة المفتوحة أمس، المشتركة المدير أستاذ AI مايكرو البنك التركيز يانغ تشيانغ "الحدود الاتحادية وتعلم قيمة للمناقشة". (النص الكامل ومراجعة المناهج الدراسية الفيديو، وسيتم الافراج عنهم في رقم العام "AI فاينانشال ريفيو")

اليوم، دعونا نلقي الظهر نظرة كاملة على ولادة الاتحادية تعلم ثلاث سنوات، من "الاكتفاء الذاتي" من وضع لC، ووضع لB البيني بين الشركات، لعملية المالي والطبية والأمن وغيرها من التطبيقات من المشهد بأكمله.

ولادة التعلم الاتحادية: رؤية مثيرة للاهتمام لC

مفهوم الدراسة الاتحادية، اقترحت لأول مرة في عام 2017 جوجل AI مدونة بلوق وظيفة.

مؤلف واحد من هذه المادة هو بليز Aguray أركاس، وقال انه انضم إلى جوجل في عام 2014، كان أي من المهندس المتميز في مايكروسوفت. بعد إضافة جوجل، بقيادة بليز الجهاز جنب جوجل على جهاز المخابرات آلة (آلة الاستخبارات) المشروع، مسؤولة أيضا عن البحوث الأساسية والعمل وتطوير المنتجات الجديدة.

بعد أن انضم إلى جوجل بعد وقت قصير بدأت دراسة لدراسة الاتحادية. حتى عام 2017، عندما حققت انجازات معينة، فقط يتم نشره في بلوق وظيفة.

• دراسة الاتحادية على الجهاز

بليز، الذي (ربما أيضا إلى حد ما على باسم جوجل) قلق، أكثر دراسة الاتحادية على الجهاز - الذي هو تطبيق سيناريوهات الاتحادية التي قدمت في بداية مفهوم التعلم.

منذ الشبكة العصبية لا يزال محدودا من كفاءة التعلم، فإنه يتطلب الكثير من بيانات التدريب، وحتى بعض الشركات الكبيرة مثل جوجل ومايكروسوفت وأمازون بدأت تقديم كميات كبيرة من البيانات يجب أن يتم جمعها عندما الخدمات الذكاء الاصطناعي والكبيرة لتدريب الشبكة العصبية. كما تم القيام بأشياء المجتمع كله.

بالنسبة للجانب الجهاز (الهاتف مثلا المحمول) وضع التطبيق الذكي في الحالات الطبيعية، وسيتم تحميل البيانات التي تم إنشاؤها من قبل المستخدم على الجهاز الخادم، ومن ثم تدريبهم من قبل نموذج الشبكة العصبية يتم نشرها على خادم يعمل على كميات كبيرة من البيانات التي تم جمعها الحصول على نموذج ومقدمي الخدمات لتوفير الخدمات للمستخدمين استنادا إلى هذا النموذج. مع البيانات المحدثة باستمرار محطة المستعمل المعدات وتحميلها على الخادم، وتحديثات الخادم لتحديث النموذج بناء على هذه المعطيات. ومن الواضح أن هذا هو أسلوب التدريب النموذج المركزي.

ومع ذلك، هناك العديد من المشاكل في هذه الطريقة: 1) لا يمكن أن تضمن أن خصوصية بيانات المستخدم، وسيتم جمع كافة بيانات المستخدم ولدت خلال استخدام معدات من قبل مقدمي الخدمة؛ 2) صعوبة في التغلب على الكمون الشبكة بسبب كيتون، الأمر الذي يتطلب الخدمات في الوقت الحقيقي (مثل طريقة الإدخال) هو واضح بشكل خاص في.

بليز، الذي أراد، سواء عن طريق صنع إطار تدريب نموذج الشبكة العصبية توزيع واسع، بحيث لا توجد بيانات المستخدمين المحليين في نفس الوقت (في تدريب أجهزتهم) يمكن أيضا الحصول على تجربة الخدمة نفسها.

الطريق هو الحل: تحميل الأوزان، بدلا من البيانات.

ونحن نعلم أن نموذج الشبكة العصبية هي العلاقة بين طبقات تشكل الذي تم بين الخلايا العصبية في طبقات مختلفة من خلال الوزن تحقيقه، هذه الأوزان تحدد ما الشبكات العصبية يمكن القيام به: وتستخدم بعض الأوزان للتمييز بين القطة و الكلب، ومجموعة أخرى يمكن أن يكون الجدول مميز والكراسي. من التعرف البصري لمعالجة الصوت هي التي تحدد الوزن المناسب. تدريب على طبيعة نموذج الشبكة العصبية هو أنه في هذه الأوزان التدريب.

لذلك بليز المقترحة الاتحادي جانب جهاز التعليم، لم يعد يسمح للمستخدمين بإرسال البيانات إلى الخادم، ومن ثم تدريب النموذج على الخادم، ولكن الآلاف المحلية تدريب المستخدمين، والتشفير نموذج التدريب تحميل (الأوزان)، سوف يتم دمج الخادم ردود فعل المستخدمين للنموذج المستخدم بعد التحسينات نموذج.

هنا ربما يجدر التأكيد على أن يتم ضغط هذا النموذج على الجانب الجهاز قبل، ولكن ليس مثل هذا النوع من خادم الشبكة العصبية على نطاق واسع. ولذلك، نموذجي استهلاك الطاقة التدريب هو صغير جدا، وغير قابلة للكشف تقريبا.

وبالإضافة إلى ذلك، قال بليز استعارة واضحة جدا، وهذا هو، والناس سوف يأتون إلى تحديث أنظمة الدماغ المعرفية الحلم في النوم، ويمكن أيضا أن يتم تحديث النظام نفسه معدات المحطة من قبل تدريب نموذج وعند الخمول. لذلك على وجه العموم، أنه ليس لديه تجربة المستخدم أي تأثير.

وخلاصة القول في دراسة فيدرالية جهاز عملية :

تحميل النسخة جانب جهاز من النموذج الحالي.

لتحسين هذا النموذج من قبل تعلم البيانات المحلية؛

تتلخص التحسن الذي طرأ على نموذج كتحديث صغير نسبيا.

يتم إرسال التحديثات مشفرة إلى سحابة.

تحديثات التكامل مع مستخدمين آخرين حظة، كما تحسن إلى نموذج مشترك.

العملية برمتها ثلاثة مفتاح :

وفقا لاستخدام العملاء، كل نموذج الهاتف لإدخال تحسينات على تخصيص في المحلية؛

تشكيل نموذج التعديل لا يتجزأ.

تطبيق لنموذج مشتركة. وسوف تستمر هذه العملية دورة.

ميزة واضحة:

سحابة أولا، لا يمكن تحميل البيانات، ومقدمي الخدمات لا يمكن أن نرى مستخدمي البيانات، والتي يمكن أن تزيد من خصوصية بيانات المستخدم. ولذلك، فإنه ليس من الضروري أن المفاضلة بين الخصوصية وظيفة، يمكن أن يكون على حد سواء. هذا مهم بشكل خاص في حالة خصوصية البيانات الحالية أكثر وأكثر اهتماما.

ثانيا، يتم تقليل هذا التأخير. إذا تم الرفع المستخدم جميع البيانات إلى سحابة، والخدمة نفسها هي ردود الفعل من السحابة، ثم في بيئة سرعة أبطأ، والكمون شبكة تتحلل إلى حد كبير تجربة المستخدم. لا يحدث الخدمة في التعلم نعمة الاتحادي، لأن الخدمة نفسها من المحلية.

في الوقت نفسه، وظهور الدراسة الاتحادية، ولكن أيضا يسمح للمستخدمين للناظرين من الذكاء الاصطناعي، والتغيير الحقيقي للمشاركين في تنمية الذكاء الاصطناعي.

لمعضلة B من منظمة العفو الدولية: الخصوصية والبيانات، والجزر البيانات الصغيرة

في الواقع، دراسة الاتحادية جوجل، لا يحل مشكلة الصوامع البيانات بين المؤسسات.

ويمكن فهم برنامج جوجل كما لC، وتطبيق في الجانب الهاتف المحمول الخاص بالمستخدم، هذا البرنامج هو نفس الشركة بناء على الطلب الداخلي لC الأعمال الناتجة عن مجموعة من البيانات لمعالجة القضايا الخصوصية.

دراسة بيئية الاتحادية التي كتبها البروفيسور يانغ تشيانغ بناء أكثر قاد هو نهج لB في حل مشكلة الصوامع البيانات بين قطاعات الأعمال التجارية والبيئية وأكثر انفتاحا تحالفات تجارية متشابهة.

وبشكل عام، برنامج التعلم الاتحادي جوجل هو الأفقي، فإنه يستخدم خصائص البيانات نفسها، وبالتالي تحتاج فقط لبناء نفس النموذج.

المخطط الجديد هو التعلم الاتحادية الطولي، وخصائص البيانات تختلف في كثير من الأحيان بين شركات مختلفة، وذلك حتى إذا كان المستخدم يواجه نفس المشهد، وإطار كامل من الحلول التقنية وتجسيد ليست هي نفسها.

وشبكة الجمعية البروفيسور يانغ تشيانغ لى فنغ استضافت CCF-GAIR 2019 "الخاصة تمويل منظمة العفو الدولية" أشار، مدفوعة من قبل المصالح، والشركات لديها في الماضي ولا تريد وضع البيانات إلى الشركات وتبادل أخرى. وبالإضافة إلى "بيج ماك" إن الشركة لديها عدد قليل من المستخدمين الشامل، مع مزايا المنتجات والخدمات، والأكثر صعوبة بالنسبة للشركات بطريقة مشروعة عبر الكلمة من الذكاء الاصطناعي الفجوة الرقمية، أو بالنسبة لهم لدفع ضخمة تكلفة لحل هذه المشكلة.

وبالإضافة إلى ذلك، وقد اتخذت السلطات التنظيمية تدابير صارمة جدا حماية الخصوصية.

مايو الماضي أول من اقترح قوانين خصوصية البيانات الأوروبية GDPR، واستخدام آلات الذكاء الاصطناعي، واستخدام البيانات وهو في الواقع حق، قد وضعت شروطا صارمة جدا ان غوغل تم تغريم عدة مرات إلى الأمام، في كل مرة في كمية عشرات الملايين حول اليورو.

لأن GDPR التي لا يمكن الخروج من أحكام هذا الاتفاق استخدام البيانات الموقعة من قبل المستخدم، يمكن للمستخدم تحليل البيانات الكبيرة، أنها يمكن أن تستخدم لتحسين تجربة المنتج، ولكن إذا كانت الشركات تأخذ هذه المنظومة الحوار تدريب البيانات، انتهاكا لاتفاق. إذا كانت الشركة تقديم هذه البيانات تفعل أشياء أخرى، وغيرها حتى تأخذ هذه تبادل البيانات، يجب أن تكون فرضية تأكد من الحصول على موافقة المستخدم.

وهناك أيضا عدد من الشروط الصارمة، بما في ذلك الحق في أن تنسى، أن يوم واحد المستخدم لا يريد بياناتها المستخدمة في النموذج الخاص بك، وأنه له الحق في قول الشركة، والشركة لديها مسؤولية لبيانات المستخدم من السنوات نموذج بها. هذا المطلب ليس فقط في أوروبا، ولكن أيضا في ولاية كاليفورنيا نفذت صارمة جدا قوانين مماثلة لحماية البيانات.

وكانت الصين في الخصوصية وحماية البيانات أيضا دراسة متأنية للغاية، 2009-2019 سلسلة من الإجراءات، ولكن أيضا أكثر وأكثر صرامة، وبعد مناقشة طويلة والتفاعل الناس قد أدخلت مؤخرا سلسلة من قانونية رسمية.

البيانات الثانية، بياناتنا معظمها صغيرة: دون أن نموذج جيد لا تكون قادرة على القيام الأتمتة جيد، غالبا ما تحتاج إلى نموذج جيدة جيدة بيانات كبيرة، ولكن ذات جودة عالية في كثير من الأحيان، تسميات البيانات والبيانات الصغيرة.

والبيانات تتغير والبيانات والبيانات في كل مرحلة من مراحل مرحلة ديها توزيع مختلفة، وربما سيكون هناك خصائص مختلفة. هذه البيانات في البيانات الشرح في الوقت الحقيقي انهم يريدون تشكيل التدريب الجيد يأخذ الكثير من القوى العاملة.

توجد بيانات حاليا، معظم تطبيقات محدودة والمشاكل ذات نوعية رديئة، في بعض القطاعات المتخصصة للغاية (مثل التشخيص الطبي) هي أكثر صعوبة للحصول على بيانات كافية لوضع العلامات دعم تكنولوجيا الذكاء الاصطناعي.

ثالثا، التحدي "ضد التعلم". وهذا هو، للتطبيقات الاحتيال الذكاء الاصطناعي، على سبيل المثال، يمكن التعرف على الوجه تكون كاذبة، مركبة للوجه. كيفية التعامل مع تحديات هذا "التعلم المواجهة"، والذي هو موضوع رئيسي في مجال الذكاء الاصطناعي، المشهد الأمن المالي.

ليس فقط المشهد المالي، والمشهد القانوني، أيضا، وخصوصا المشهد الطبي. كل مجموعات مستشفى البيانات محدودة، إذا لم تتمكن من الحصول من خلال هذه المعطيات، كل مجموعة البيانات يمكن القيام بذلك إلا نموذج بسيط لا تستطيع ان تلبي الجودة المطلوبة من الأطباء البشري لتحديد المرض.

في مثل هذا المأزق، وكثير من الناس يعتقدون الشتاء الذكاء الاصطناعي قد يأتي مرة أخرى - ولكن في رأي الدراسة الاتحادية محقق، وهو فرصة الانتقال التقنية.

دراسة اتحادية أفقية، عمودية، والهجرة

وصف يانغ تشيانغ جوهر الدراسة الاتحادية:

كل واحد منا لديه بيانات الدماغ، عندما شخصين معا بتأليف كتاب أو القيام المنزلية معا، ونحن لم يضع اثنين من رؤساء معا جسديا، ولكن شخصين على التواصل في اللغة. لذلك نحن كتابة كتاب، كتابة جزء من الإنسان من خلال تبادل لغة وأخيرا التعاون من كتابة مقالات أو الخروج منه.

تبادل لدينا هي المعلمات، وهناك معايير في عملية التواصل في أي وسيلة لحماية خصوصية الدماغ تفعل؟ هل هناك طريقة، وهذا النهج هو السماح لوكالات مختلفة مشفرة المعلمات نقل بين بعضها البعض، لخلق نموذج مشترك، لا يمكن البيانات محليا.

من تعريف بسيط، تعلم الاتحادي المحلي إلى البيانات المحلية لبناء نموذج، ثم المعلمات مفتاح التشفير لهذا النموذج، الذي انتشر في فك تشفير البيانات سحابة لا توجد وسيلة، لأنه حصل على وحزمة البيانات المشفرة، وعشرات سحابة الملايين من الحزم نموذج مع خوارزمية إحالته إلى أن بلمرة، لتحديث النموذج الحالي، ومن ثم تحديثها . الأهم من ذلك، وكلها سحابة عملية Server لا يعرفون محتويات كل حقيبة مملوءة.

قبل هذه الممارسة أكثر صعوبة، ولكن مع ظهور بحيث كفاءة العملية جعلت ترقية رئيسية، الذي يحسب خوارزمية التشفير يمكن أن تذهب من خلال طبقة التشفير مشفرة الدولة. لكن لاحظ أن هذا هو مجرد مثال 2C، هو مثال على سحابة وجه قاعدة المستخدمين الكبيرة.

ويمكن تشفير متعددو الحدود، موزعة في كل التشفير متعدد الحدود، والتشفير من A + B إلى A، B التشفير بالإضافة إلى التشفير، الذي هو مساهمة كبيرة جدا. لأنه يسمح لنا باتخاذ خوارزمية، الخوارزمية في الخارج الى كل من مشفرة، لا يمكن للطبقة التشفير اختراق في داخل كل خلية. يمكنك أن تفعل ذلك يمكن تغيير الكتب المدرسية الحالية خوارزميات تعلم الآلة لتصبح أي خوارزمية التشفير.

لالأفقي والرأسي والهجرة دراسة الاتحادية، يانغ تشيانغ يعطي تفسيرا يلي:

• التعلم الجانبي الاتحادي

التعلم الجانبي الاتحادي كل سطر يأتي يمكن أن ينظر إليه على بيانات المستخدم. وفقا للنقاط المستخدم، ويمكن أن ينظر إليها على أنها احد، اثنان، ثلاثة هواتف محمولة، ويسمى التعلم الجانبي. وهناك سبب آخر هو أن تكون ميزات الرأسية، مثل طراز الهاتف والوقت الهاتف، والبطاريات، وكذلك موقع الناس وغيرها وهذه هي الميزات. خصائصها هي نفسها، وعينة ليست هي نفسها، وهي دراسة فيدرالية الأفقية.

النهج الرئيسي هو الحصول على أول تصنيف ائتماني، ومن ثم القيام في البلمرة حالة مشفرة، البلمرة وهي ليست مجرد إضافة، ولكن معقدة للغاية بالاضافة الى ذلك، ومن ثم إعادة توزيع نموذج من أسفل الائتمان.

• دراسة طولية الاتحادية

ميزة الجميع يست هي نفسها باعتبارها وكالة الحمراء، والأزرق وكالة، يمكننا أن نتصور اثنين من المستشفيات، والمريض للقيام ببعض الفحوصات في المستشفى الأحمر، والقيام ببعض الكشف بالإضافة إلى ذلك في مستشفى الزرقاء، وعندما نعرف أن هذه لهما نفس المستشفى مجموعة من المرضى، في حالة أنهم لا يريدون لتبادل البيانات مباشرة، لا توجد وسيلة لالنمذجة مشترك؟

ومن بين هؤلاء هناك جدار الانقسام، يمكننا أن نبني نموذجا للتعلم على كلا الجانبين من العمق، وعندما النمذجة هو الحاسم خطوة التدرج النسب أو النسب التدرج نحن بحاجة إلى معرفة العديد من المعلمات لمباراة الجولة المقبلة على المعلمات، وفقدان (التدرجات) وزن المعلمات للنموذج.

هذه العملية، ونحن بحاجة للحصول على مستوى المعلمة كل النماذج، وهذا يحتاج الى وقت ليتم تبادلها عندما تبادل يمكن أن تكون مشفرة بواسطة خوارزميات متماثل الشكل يمكن أيضا أن تكون التعددية الحزبية حساب من خلال آمنة، وهناك سلسلة من الخوارزميات، وكلا الجانبين تبادل المعلمات التشفير، والآخر نفذت تحديث وتبادل معلمات مرة أخرى حتى غطاء النظام.

• دراسة الهجرة الاتحادية

كانت متطابقة في الميزات، أو مختلفة في طبيعتها، ولكن لديهم بعض المستخدمين التقاطع، عندما يتميز المستخدم وليس هناك تقاطع، ونحن خطوة الى الوراء والتفكير، يمكن أن نضع الفضاء حيث أنها تقلل من البعد أو البعد لتر، أخذنا منهم إلى غرفة أخرى للذهاب.

يمكن العثور على مساحة إضافية في فضاء جزئي من غير تفاعلي، التفاعل بين هذه فضاء جزئي يمكن ترحيل للتعلم. على الرغم من أنها لا تتداخل مباشرة من المزايا والمستخدمين، ويمكن أن نجد دراسة هجرة مشتركة.

وعموما، فإن دراسة هذه الفكرة الاتحادية، في الواقع، ليس فقط لحماية خصوصية بيانات المستخدم وتحديث طراز الجهاز.

سنقوم أصحاب مجردة نقطة مستخدم الجهاز للعرض، تعامل على أنها البيانات، والتي يمكن أن يكون أصحاب الهاتف الخليوي، ويمكن أيضا أن تكون الشركات والمستشفيات والبنوك وهلم جرا، والخادم أو نموذج سحابة المشتركة تعتبر منصة متكاملة.

كدراسة الاتحادية التعلم الجديد نموذج لديه الخصائص التالية:

• في إطار دراسة فيدرالية، كل حالة مشارك من جهة أخرى، لتحقيق التعاون عادل.
• الاحتفاظ البيانات محليا، لتجنب تسرب البيانات، لتلبية خصوصية المستخدم ومتطلبات أمن البيانات.
• للتأكد من أن الأطراف المعنية في الحفاظ على استقلال تبادل المعلومات يتم تشفير مع المعلمات نموذج، وفي نفس الوقت لتنمو.
• نمذجة تأثير تأثير النمذجة عميقة خوارزمية التعليم التقليدي أو أقل.
• تعلم الاتحادي هو آلية التعلم "حلقة مغلقة"، وأثر يعتمد على موفر البيانات مساهمة نموذج.

، ولكن أيضا بدأت هذه ضربة مباشرة تكنولوجيا الذكاء الاصطناعي جديدة نقاط الألم تنمية للدخول في تطبيق سيناريوهات رئيسية لهم.

الائتمان التعلم الاتحادي والسيطرة على المخاطر المالية

ومن بين العديد من جوانب الخدمات المالية، وخصوصية البيانات والمعاناة islanding المضطربة السيطرة على المخاطر الائتمانية، هو بلا شك واحدة من أفضل مشاهد الاتحادية تعلم الأرض لتحقيقه.

البنك مايكرو التركيز الاتحادية لاحظ فريق الدراسة أن الحل الرياح الاتحادية تحكم التعلم القائم على الائتمان التي "أثناء عملية النمذجة، وتبادل الجانبان وقيمة التدرج، على غرار الاتجاه مفهوم ناقلات، والصرف هو متغيرات وسيطة، وليس البيانات الأصلية. وفي الوقت نفسه ل المتغيرات الوسيطة أيضا التشفير التماثلي، والبيانات ليست المكتبة، والجانب التطبيقي لضمان أمن البيانات مصدر البيانات. "

مبادئ جمع البيانات وتقليل المحلية من خلال دراسة الاتحادية المعتمدة، سوف يقلل من عدد من المخاطر النظامية الخصوصية والتكاليف المرتبطة المراكز التقليدية أساليب التعلم الآلي، ومثل هذا التأثير ولا يصلح أيضا لتعزيز اتجاه السيطرة على المخاطر الائتمانية.

بشكل عام، فإن هذا النهج في محاولة للسيطرة على مخاطر الائتمان من خلال تعزيز شبكة البيانات الاتحادي، دمج استخدام بيانات أكثر ثراء لتحديد مخاطر الائتمان العملاء قبل الدورة، إلى شركة تمويل مساعدة أو تصفية القائمة السوداء الائتمان الواضح لم يترجم إلى قروض العملاء، وكذلك الحد من بريد إلكتروني التدقيق أواخر قرض عملية الموافقة التكاليف.

في الائتمان، واستخدام حلول التعليم الاتحادية في المقام الأول إلى تقديم القروض على أساس سلوك تغييرات المستخدم نفذت المنتجات تقييم المخاطر للمقرضين مساعدة مساعدة القرارات ضبط كمية من تعديل الأسعار.

ليمكن التنبؤ المنتجات العروض جمع برنامج للتخلص من خطر ما بعد القرض على أساس سلوك العملاء والمقرضين مساعدة تقييم جمع للسياسة، وتعديل استراتيجيات جمع لتعزيز كفاءة التحصيل.

مايكرو التركيز وقال فريق الدراسة فيدرالي في تنفيذ محددة، فإن الحل أول دراسة استخدام الخدمات السحابية الاتحادية لبداية البرد الأعمال، وإنشاء نموذج حلقة مغلقة الأعمال وAI، والنمذجة عينة صغيرة، واصل في وقت لاحق في عارضة الأزياء تكرارية الأمثل لتحقيق المشروع الرقمية، وسهولة الائتمان والتمويل الاستهلاكي الجانب التجاري من الشركاء التجاريين يمكن أن تستمر في جمع البيانات الأمثل النموذج الفيدرالي.

مايكرو التركيز على حالة البنوك والشركات الشريكة، على سبيل المثال، تتميز الجماعة الصغيرة من قبل العديد من المستخدمين Y، ومجموعات البيانات يمكن تقسيمها إلى X و Y، X هو خصائص المستخدم والسلوك، Y هو الاستنتاج النهائي، ونحن في البنك والائتمان طال حدث الاستنتاج، واحتمال التي طال، الشركات الشريكة التعاونية أو شركات الإنترنت قد يكون بيع السيارات أو بيع وثائق التأمين، وليس بالضرورة البيانات ختام Y، لكنه لا يملك الكثير من المعلومات السلوكية X.

الآن هذين المجالين لنفس مجموعة من المستخدمين الذين يرغبون في النموذج، تنتمي إلى دراسة طولية الاتحادية لبناء التطبيقات العمودية دراسة الاتحادية، والنتائج الجيدة التي تحققت أخيرا، مؤشر AUC زيادة كبيرة وانخفضت نسبة القروض المتعثرة إلى حد كبير.

بيانات متعددة الأبعاد نماذج من الامتثال للقانون الاتحادي، يمكن أن نموذج السيطرة على المخاطر تعزيز تأثير حوالي 12، والمنظمات ذات الصلة بصورة فعالة انقاذ تكلفة مراجعة الائتمان، من المتوقع أن التكلفة الإجمالية للسقوط 5 -10، ولأن حجم العينة البيانات وتعزيز الأغنياء، تعزيز قدرات السيطرة على المخاطر أبعد من ذلك.

للمؤسسات الائتمان شريك، تم تحسين قدرة السيطرة على المخاطر الائتمانية بشكل ملحوظ.

من خلال تصفية المقام الأول على القائمة السوداء ولا يمكن القروض المحولة للعملاء، في "خطاب الخطوة الأولى قمع محاكمة" ناقص العميل غير صالح، لذلك من المتوقع أن توفر 20-30 في مرحلة الائتمان قبل المحاكمة تكلفة مكالمة واحدة إلى واجهة، والسيطرة على نحو فعال تكاليف مراجعة الائتمان .

AI الصحة الاتحادية والتعلم

مسار النمو AI بأنها "الغذاء" الطبي لا غنى عنه، وكانت البيانات AI الطابق الطبي "حجر عثرة".

حقل بيانات الرعاية الصحية "جزر المعلومات" مشكلة طويلة الأمد، حتى في مناطق مختلفة من البيانات الطبية بين المستشفيات المختلفة ليست مرتبطة، لا يوجد معيار موحد. في نفس الوقت، وقضايا أمن البيانات هي أيضا تحديات كبيرة.

عادل أمس، أعلن تينسنت مختبر يان اليوم علنا أبحاثهم المشتركة وتطوير المصارف العامة الصغرى الطبية دراسة الاتحادية على تطبيق معدل دقة التنبؤ السكتة الدماغية تتركز تصل إلى 80 في البيانات ذات الصلة.

الاتحادي التعلم يمكن تجاوز الحواجز المعلومات بين المؤسسات الطبية، لا تعتبر دمج البيانات الخاصة بهم، ولكن نقل المعلومات بعد أن المشفرة عن طريق الاتفاق في غضون ذلك، عملية التشفير مع وجود درجة معينة من آلية حماية الخصوصية لضمان لم يتم تشفير المعلومات توليد تسرب البيانات. المؤسسات الطبية المختلفة من خلال استخدام المعلومات المشفرة لتحديث المعلمات من هذه النماذج، مما يساعد على استخدام عملية التدريب جميع البيانات المريض تحت شرط من دون الكشف عن البيانات الأصلية.

على سبيل المثال، إذا مستشفى A و B يود التدريب المشترك نموذج تنبؤي لمرض السكتة الدماغية، وحالتين من البيانات البحثية المستشفى تحت تصرفهم، بالإضافة إلى ذلك، يحتوي المستشفى أيضا نموذج بيانات التسمية B هو التنبؤ بحدوث السكتة الدماغية، مثل التسميات. لخصوصية البيانات وأسباب أمنية، ومستشفى ألف وباء لا يمكن تبادل البيانات مباشرة. نظام التعليم الاتحادي يمكن استخدام تقنيات المحاذاة عينة المريض على أساس التشفير، وكلاهما تأكيد لا يكشف عن إجمالي المرضى في المستشفى A و B في بيانات كل من فرضية، والمريض لا يتعرض لا تتداخل بعضها البعض، بحيث مزيج من هذه الميزات من النمذجة المستخدم بعد تحديد عدد مستخدمي الكلي، يمكنك استخدام هذه النماذج للتنبؤ بيانات التدريب المرض.

في الطريق مثل هذه، تعلم التكنولوجيا لتحقيق اتحادي نموذج التنبؤ المرض في الخصوصية حماية البيانات في مستشفيات مختلفة، وهذه التكنولوجيا ومن المتوقع مجال مرض الهبوط، والمختبرات وبنك القطاعين العام ويان اليوم الجزئي شيدت بنجاح "السكتة الدماغية خطر نموذج التنبؤ ".

من خلال استخدام عدد من السجلات الطبية من المستشفى العلاج الحقيقي التحقق TOP5 البيانات، والنموذج الفيدرالي مركزية تعلم أداء التدريب نموذج يتفق تقريبا، نموذج تنبؤي دقيق لمعدل السكتة الدماغية بنسبة 80، وانخفاض 1 فقط من دقة التدريب نموذج مركزية.

وفي الوقت نفسه، فإن تكنولوجيا التعليم الاتحادية يحسن إلى حد كبير من تأثير نموذج مستقل من مستشفيات مختلفة، على وجه الخصوص، لعدد صغير من الحالات المؤكدة من السكتة الدماغية اثنين من المستشفيات، وكانت دراسة الاتحادية لتعزيز معدل دقة أكثر من 10 و 20.

بالإضافة إلى نموذج التنبؤ المرض، وعلى الجانبين سوف تعلم المزيد عن البعد الفيدرالية التعاوني في تطبيق المناطق أرضية كبيرة من البيانات الطبية، بما في ذلك طبية السيطرة نفقات التأمين والتشخيص العقلاني ودقيقة المجالات الطبية وغيرها، مثل تعلم لتحقيق الحماية من خلال البطاقة الصحية الإلكترونية السلطة الفدرالية النمذجة خصوصية المستخدم وهلم جرا، وبالتالي المساهمة في تطوير الصناعة الطبية والصحية، وتحسين نوعية الخدمات الطبية.

في 2019 تحليل الصور الطبية وMICCAI أعلى، وتطبيق الدراسة الاتحادية في التصوير الطبي دخلت رسميا مجال الباحثين الرؤية.

بالتعاون مع NVIDIA كينجز كوليدج لندن والبدء الفرنسية شركة Owkin، وتطبيق تقنيات التعلم الاتحادية والذكاء الاصطناعي في مركز التصوير الطبي في المشكلة حديثا لندن.

منذ وائح الخصوصية البيانات الطبية، وجمع وتبادل بيانات المريض في بيانات مركزية البحيرة غالبا ما تكون غير مجدية. هذا هو تدريب آلة التعلم خوارزمية التحديات، مثل عمق شبكات الإلتواء وغالبا ما يتطلب الكثير من الأمثلة التدريبية المختلفة.

دراسة الاتحادية من قبل مالكيها كود لجلب بيانات المريض، ومركز تدريب نموذج لتبادل المعلومات فقط بينهما، وذلك لتجنب هذه الصعوبة. على الرغم من أن هذه النماذج يمكن بلمرة بشكل مناسب للحصول على نموذج أكثر دقة، فإن النموذج قد تكون مشتركة تسرب المحلي تدريب البيانات بشكل غير مباشر.

هذا ويعرض ورقة نظام التعليم الاتحادي الفني للتجزئة ورم في المخ، ويناقش دراسة الجدوى التكنولوجيا الخصوصية التفاضلية في النظام الفدرالي لبيانات المريض حمايتها.

ويستند هذا الاختبار على MRI بمسح اتخذت صعاليك 2018 مجموعة البيانات تجسيدا لبيانات ورم في المخ ينقسم، صعاليك 2018 مجموعة البيانات مع 285 مريضا يعانون من أورام الدماغ.

وقال الباحثون: "إن الاتحادية التعلم دون الحاجة إلى تبادل البيانات المريض لا يمكن أن تتحقق بالتعاون مع تدريب الشبكة العصبية اللامركزية تدريب كل عقدة مسؤولة عن نموذج محلي خاص بها، وتقديمها بانتظام إلى تراكم الخادم المعلمة ومجموع المباراتين. مساهمات منها، وبالتالي خلق نموذج عالمي، مشتركة مع كافة العقد ".

وأوضح الباحثون أيضا أنه على الرغم من أن التعلم الخصوصية الاتحادي يمكن أن تضمن إجراءات أمنية مشددة، ولكن عن طريق نموذج انعكاس، لا يزال بإمكانك محاولة استخراج البيانات. للمساعدة في تحسين أمن دراسة الاتحادية، اختبر الباحثون إمكانية استخدام إطار الخصوصية التفاضلية -. هذا الإطار هو التعريف الرسمي للطريقة فقدان الخصوصية، يمكنك الاستفادة من الضمانات القوية الخصوصية لحماية بيانات المرضى مع الوكالة.

يفسر ومن المتوقع أن تعلم فعالة الاتحادية المعرفة وكالات البلمرة من الحصول على البيانات الخاص المحلي، وذلك لزيادة تحسين دقة ومتانة وتعميم قدرة عمق نموذج فريق NVIDIA.

عرض NVIDIA والملك الباحثين كلية لندن يوم MICCAI مزيد من التفاصيل تنفيذ تقنيات التعليم الاتحادية:

وقد أظهرت عمق تعلم الشبكات العصبية في مجموعة متنوعة من التطبيقات الطبية نتائج جيدة، ولكنها تعتمد بشكل كبير على البيانات رقم والتدريب التنوع. في التصوير الطبي، مما يشكل صعوبة خاصة: على سبيل المثال، نظرا لعدد أو نوع العقل المريض علم الأمراض، قد لا تكون بيانات التدريب المطلوبة متوفرة في مؤسسة واحدة. أيضا، لأن أنظمة الخصوصية البيانات الطبية، وجمع وتبادل بيانات المريض في بيانات مركزية البحيرة غالبا ما تكون غير مجدية.

تعلم الاتحادية DNN يسمح للتعاون والتدريب توزيعها دون تقاسم البيانات المريض. كل عقدة تدريب نموذج المحلية الخاصة بهم، وبانتظام تقديمه للمعلمات الملقم. وبجمع الخادم والمجاميع العقد الفردية من نموذج لتوليد نموذج عالمي، وتقاسمها مع كافة العقد.

وتجدر الإشارة إلى أن بيانات التدريب لكل عقدة خاصة ولن يشارك في عملية التعلم. فقط يمكن تحديثها تقاسم نموذج أو رفع الأثقال، وذلك للحفاظ على خصوصية بيانات المريض. وعليه، فإن الاتحادية تعلم حل بسيط للتحديات عديدة من أمن البيانات والبيانات على الاحتياجات المحلية، ودعم التعاون بين وكالات متعددة.

ورقة كشف أيضا عملية نموذج العميل التدريب، وعملية البلمرة نموذج من جانب الخادم، ونشر وحدة حماية خصوصية العميل، وتكوين مع النتائج التجريبية لمشروع التعلم التجريبي الاتحادية. وقال الباحثون انهم سوف يستكشف مستقبل الخصوصية SGD خوارزمية التفضيلية للمهام تحليل الصور الطبية.

التعلم والأمن الاتحادي

الأمن، رؤية الكمبيوتر هو تحقيق من المناطق الأسرع نموا.

وبما أن التكنولوجيا الرئيس التنفيذي لشركة يو تشانغ بنغ لى فنغ قد ذكر في مقابلة مع مقابلة شبكة "منظمة العفو الدولية القدرة على الهبوط الأمني الحالي واحتياجات المستخدمين هناك فجوة كبيرة، والحاجة السابقة إلى خصوصية البيانات الوجه والسيطرة الأمنية، منخفضة التكلفة، عملية إعادة الهيكلة، والتغيير التنظيمي وغيرها من التحديات ".

على وجه التحديد، ومعظم نقطة الألم المركزية هي أن البيانات ليست التنوع بما فيه الكفاية، وغير طبيعي مغلقة.

الصين لديها عدد ضخم من السكان، وعدد من المستخدمين ونقطة التقاط الصور، وبعد الفحص بعد الشركات ذات الصلة للحصول على البيانات، والتصفية، وفرضه، جنبا إلى جنب، سوف يكون على مراحل تطوير خوارزمية تأثيرها.

ولكن هذا النوع من الترقية هو نمط الشخصية، والحد الأدنى من الأناقة.

كل البائعين الأمن وبناء نظام AI مشابهة لواحدة تلو الآخر من "مدخنة"، "مدخنة" العمارة هي فن العمارة العمودية.

كل لديه أنظمة تكنولوجيا المعلومات وأجهزة التخزين الخاصة بها، فضلا عن أدوات إدارة منفصلة وقواعد البيانات ونظم مختلفة لا يمكن مشاركة الموارد، والوصول لا يمكن تسليمها، وتشكيل موارد الجزيرة والصوامع المعلومات.

منذ نماذج قواعد البيانات المصممة للشركات مختلفة وأهداف مختلفة، انهم لا يستطيعون مباشرة الصرف، وتبادل نموذج.

حتى بين المؤسسات ذات الصلة يمكن أن تكون متكاملة قاعدة بيانات، ولكن مع مراعاة الخصوصية والأمن وغيرها من القضايا، لن يكون ذلك يستحق.

هناك مشاهد البيانات المفقودة، فمن الصعب أن تبادل البيانات. هذا هو القضايا الأمنية المشتركة، بما في ذلك منظمة العفو الدولية، بما في ذلك العديد من الصناعات القائمة، ولكن أيضا عرقلة AI نقاط أكبر ألم برات آند ويتني.

من جهة، ومنظمة العفو الدولية بدأت لتوها في استكشاف قطاع الأمن، ومن ناحية أخرى، فإن منظمة العفو الدولية محدودة قيام العناصر الغذائية الضرورية والبيانات ذات نوعية رديئة، فإنه من الصعب كسر الحواجز بين مصادر البيانات المختلفة.

وبصرف النظر عن عدد قليل من المستخدمين لديها واسع، مع مزايا المنتجات والخدمات من الشركات العملاقة، ومعظم الشركات الصغيرة والمتوسطة هي الأمن AI بعض الصعوبة في طريقة قانونية عقلانية عبر الكلمة من الفجوة الرقمية والذكاء الاصطناعي، أو الحاجة إلى دفع تكلفة ضخمة لحل هذه المشكلة.

أكثر من الأوساط الأكاديمية، وقال زعيم الصناعة: التقدم من جهة النظر الحالية، "التعلم الاتحادي" التكنولوجيا قد يكون الخيار الافضل لحل المشاكل المذكورة أعلاه.

حرم جامعي البائعين مثل هذه البيانات والمصنعين B وبيانات المصنع، C الشركات المصنعة لها بيانات المجتمع، والشركات الثلاث استخدمت تقنيات التعلم الاتحادية.

من المستوى التشغيلي، A، B، C وثلاث شركات يكون الوصول المباشر إلى قدرات اثنين: 1، بسرعة أكبر تحسين أعمالهم؛ 2، والأسرع نموا الأعمال الجديدة.

تحسين أداء أعمالهم في معظم بسرعة، وسوف يكون هناك عدة مماثلة الباعة منصة منصة لدخول نموذج بيانات المؤسسة بعد تشفير كل يوم، وهذه نماذج البيانات غيرها من الشركات المصنعة هو عدم وجود بيانات A، و A ويمكن وفقا لمصنعي هذه البيانات لتحديث النموذج خوارزمية.

والأسرع نموا أداء الأعمال الجديد، A، B، C كل بائع لديها قناعاتها بناء نموذج جيد لتكبر من خلال تجميع نموذج البيانات، وتدفق البيانات الحصول على أفضل النتائج بدون بيانات التداول، ويمكن الحصول على الموارد التكميلية في أقصر وقت بأمان قدرة بعضها البعض لتطوير الأعمال الجديدة.

من منظور الخصوصية والبيانات عادة ما يكون الكاميرات الذكية سيتم تحميلها على خادم خلفية إنتاجها، ومن ثم عن طريق نموذج الشبكة العصبية المنتشرة على خادم يعمل على كميات كبيرة من البيانات التي تم جمعها من التدريب للحصول على نموذج، ومقدمي الخدمة على أساس هذا النموذج هو المستخدمين.

هذا هو أسلوب التدريب النموذج المركزي، وهذا النهج من الصعب ضمان خصوصية البيانات.

يتم إرسال دراسة الاتحادية لن تسمح البيانات إلى الخلفية، ولكن التدريب على الخادم كل شركة بها، ومشفرة نموذج التدريب تحميل، الخلفية وسيتم دمج الآلاف من نماذج ومن ثم ردود الفعل للمستخدم لتحسين البرنامج.

واحدة من الحالات التطبيقات النموذجية، ومنظور جدا والبنوك الصغرى العامة التي تم اطلاقها أول نظام البصري دراسة فيدرالية الصين.

لهب تحديد كاميرا فيديو كمثال، المهندسين AI قد تدرب بشق الأنفس لتحديد نموذج لكشف اللهب، ونحن نريد لاستخدامها في كاميرا المراقبة، وتحديد ما إذا كانت هناك ظاهرة الاحتراق، لذلك تم تحليلها من احتمالات الحرائق لتحقيق إنذار الحريق.

يمكن للخوارزميات AI الأصلية تحديد أكثر دقة مسح مساحة واسعة من الحالات الشائعة وحرق النار وقعت. ومع ذلك، فإن مواجهة أخف وزنا لهب خارج، الكاميرا على بعض "الجهلة" لل.

إذا كنت ترغب في نموذج لتعزيز القدرة على تحديد وتطبيق متطلبات التدريب التقليدية AI لأطراف قادرة على توفير بعض عينات البيانات، التي برزت بسبب دقة الخوارزمية ليست عالية بسبب قضايا النطاق الترددي للشبكة وخصوصية البيانات.

المصدر: fedai.org

في نظام الرؤية الاتحادي، والاعتماد على النماذج المحلية، والبيانات لضمان جميع الأطراف يست تحت ظروف المحلية، لتحسين دقة خوارزميات منظمة العفو الدولية.

في حصة العامة، قال نائب المدير العام لبنك قطاع الدقيقة العام لمنظمة العفو الدولية تشن تيانجين "، في مشروع" نظام الرؤية الاتحادية، من خلال تكنولوجيا التعلم الاتحادية، والأداء العام للنموذج تصل إلى 15، وعدم فقدان نموذج الأثر الذي يعزز إلى حد كبير نمذجة الكفاءة ".

تعلم الاتحادية مكان مجهول

السيطرة على المخاطر الائتمانية، والتطبيقات الطبية والأمن، مما يتيح التعلم هي مجرد غيض من فيض مختلف المجالات الاتحادية.

المستقبل بما في ذلك المالية والطبية، والأمن، وتجارة التجزئة، والحكومة، والصناعة وغيرها من مناحي الحياة، والسيناريوهات المختلفة لا يمكن أن تعتمد على هذه التكنولوجيا لتحقيق الكفاءة من حيث التكلفة، خفض التكاليف.

وتجرى دراسة بيئية الاتحادية البناء في وقت واحد، التعاون المتعدد الأطراف فقط، المعترف بها بموجب التعددية الحزبية الاتحادي تعلم أنه من المتوقع أن يحقق الفائدة القصوى.

إذا كنت ترغب في المشاركة في دراسة الذكاء الاصطناعي والهبوط في طليعة من أحدث نتائج البحوث وتطبيق الدراسة الاتحادية، يرجى الاستمرار في التركيز على البروفيسور يانغ الفئة المفتوحة قوية الانتهاء من مراجعة كاملة، فضلا عن "الاتحادية سلسلة التعلم الفئة المفتوحة" دورات أخرى .

شبكة شبكة شبكة لى فنغ لى فنغ لى فنغ