联邦学习已在国内外屡获殊荣，多次赢得重要奖项

　　2月7日-12日，人工智能领域国际顶级会议AAAI 2020在美国纽约举办。自1979年成立以来，AAAI已发展为人工智能领域最受关注的国际顶会之一。此次大会吸引了众多来自学术界、产业界的研究员与从业者投稿参会。据统计，大会共收到投稿论文8800篇，经评审后最终接收1591篇，接收率仅为20.6%，竞争异常激烈。

　　其中，由微众银行携手新加坡南洋理工大学及深圳智慧城市解决方案提供商极视角合著的论文《FedVision： An Online Visual Object Detection Platform powered by Federated Learning》（下称“论文”）被大会授予“人工智能创新应用奖”，这意味着联邦学习技术在计算机视觉领域的首个工业级应用获得了行业高度认可。据悉，该奖项获得者还包括亚马逊、IBM、阿里巴巴等。

　　值得关注的是，此次联邦学习相关技术获奖并不是首次在国际上获得肯定，在AI技术激烈角逐的赛场上，联邦学习已在国内外屡获殊荣，多次赢得重要奖项。

　　在国内，微众银行联合多家机构提交的“基于互联网的群智涌现机理与计算方法”项目获批中国科技部创新2030——“新一代人工智能”重大项目，其中联邦学习为核心技术；“联邦学习技术体系研究与应用”项目获中国计算机学会2019年“CCF科学技术奖”；微众银行的联邦学习行业实践获知名科技类媒体雷锋网年度榜单 “最佳联邦学习应用奖”。

　　国际上， 联邦学习视频作品（Learning Federated Learning）获国际顶级会议IJCAI 2019“最具教育意义视频奖”；“联邦学习AI隐私保护技术在视觉领域的应用创新”项目入选msup“ 2019年top100全球软件案例”。而且，入选top100案例的技术应用，正是此次AAAI 2020大会获奖论文的相关实践。一项应用，两次获得行业认可，从理论和实践两方面证实了其价值性——提供了一个解决计算机视觉应用领域痛点的全新思路。

　　一直以来，计算机视觉应用领域面临着数据安全与隐私保护难、传输成本高等问题，利用传统“黑箱”技术抓取后台数据以创建集中存储的大型训练数据集的办法并不可取。

　　而联邦学习技术的基本原理是在数据不出本地的情况下进行加密计算，将计算所得模型参数上传至云端联合建模。具有“数据隔离、无损对等以及共同获益”等特性，参与的各数据“联邦”都可获得比“只基于原本独立数据库”所创建的更完善的模型，且数据绝对保密。这对于计算机视觉应用领域尤为重要。

　　在技术原理的阐述之外，论文还进一步列举联邦学习在该领域应用的实践案例。

　　论文提到，虽然联邦学习技术在理论上有诸多优势，但在实际应用中还缺乏一个易于使用的工具来帮助非联邦学习专家的系统开发人员将联邦学习技术与原有系统进行融合。“为此，微众银行和极视角协作部署了一个机器学习工程平台，以支持联邦学习所涉及的计算机视觉应用程序的开发”。

　　目前已有三家大型企业使用了该平台，开发了基于计算机视觉的火灾风险防范解决方案，并应用于工厂环境中。经过4个月的部署验证，充分证明了该方案的可靠性，验证了联邦学习应用于计算机视觉领域的可行性。

　　此次论文获奖，既是联邦学习本身技术价值的体现，也是联邦学习生态建设的重要成果。联邦学习的技术研究、开源工具、标准制定、行业落地等各方面进一步拓展，应用范围涵盖ToC、ToB、ToG各领域，联邦生态日趋完善。

　　2018年，微众银行AI团队向IEEE（电子和电气工程师协会）标准协会提交联邦学习标准提案立项通过，首倡联邦学习国际标准制定。微众银行首席人工智能官杨强教授担任IEEE P3652.1（联邦学习基础架构与应用）标准工作组主席。目前，该工作组已召开四次标准工作组会议，微众银行、腾讯、华为、京东、平安等30多家公司及机构参与，标准草案预计今年出台。

　　不仅如此，2019年，微众银行还开源了联邦学习技术框架FATE（Federate AI Technology Enabler），因其能够解决包括计算架构可并行、信息交互可审计和接口清晰可扩展在内的三个工业应用常见问题，达到工业级应用标准，而成为全球首个联邦学习工业级应用开源项目。自开源以来，FATE不断升级，已经配备首个可视化联邦学习工具FATE Board、联邦学习建模Pipeline调度和生命周期管理工具FATE Flow。目前，FATE被纳入全球最大非营利技术社区Linux Foundation。

　　除行业技术标准及开源工具外，为了更好地促进行业交流，微众银行撰写并出版了世界上第一部系统介绍联邦学习的专著——《Federated Learning》，以全面分享其在联邦学习领域的积累，促进行业互动。

　　该书描述了如何将联邦学习与分布式机器学习、密码学和安全深度结合，并吸纳经济学原理和博弈论的激励机制设计相关理论，来解决“如何在数据不出本地、确保数据安全的情况下，让多个数据拥有者共享数据模型”的问题。

　　与此同时，在实际场景应用方面，联邦学习的实用性和商业价值也不断被证实。微众银行将联邦学习用于风控、反欺诈、智能服务、营销及零售等多个领域，并取得了显著效果。其自研的智能评分引擎在纵向联邦学习技术的基础上，联合开票金额与央行的征信数据等标签属性共同建模，将小微企业风控模型区分度（AUC of ROC）提升了12%。中国金融四十人william hill官网 （CF40）资深研究员、证监会原主席肖钢牵头发布的《2019中国智能金融发展报告》指出：“联邦学习在智能金融的应用场景十分广泛，并无特别限制。大部分机器学习、深度学习等常见的人工智能算法，经过一定改造，均可适配联邦学习方法”。国际知名咨询机构Forrester近期发布的报告《人工智能变革欺诈管理》中也提到“联邦学习对于提高跨机构合作效率帮助很大，未来可期。”

　　相信随着联邦学习更加广泛和深入的行业落地，联邦学习的“普适性”不断提升，其有实力成为下一代人工智能大规模协作的基础，并能迎合技术和社会的需求，承担起人工智能在发展和应用中的重任。