AI由概念到落地应用的关键阶段，不同企业之间存在的数据孤岛困境该如何解决?随着国际、国内数据监管不断加强，数据隐私和安全问题又将如何处理?联邦学习目前的发展现状如何，未来生态又该如何建设?
2019年8月12日，微众银行与IBM等机构在第28届国际人工智能联合会议(IJCAI 2019)期间，联合举办首届联邦学习国际研讨会(The 1st International Workshop on Federated Machine Learning for User Privacy and Data Confidentiality，FML’19)，对上述问题进行探讨与交流。
研讨会上，IJCAI理事会主席、FML指导委员会主席、微众银行首席人工智能官杨强教授发表开场致辞，来自IBM的Shahrokh Daijavad博士与谷歌的Jakub Konečny博士发表主题演讲。来自微众银行、以色列巴伊兰大学、IBM、松鼠AI、谷歌、华为、星云Clustar、创新工场等知名公司和高校的国内外顶尖学者，在圆桌环节共同分享和探讨联邦学习这一人工智能新兴技术的成果和经验。
此次研讨会共收到40篇论文投稿，其中12篇现场讲解，19篇poster展示，最终评选出最佳理论论文、最佳应用论文、最佳学生论文、最佳演讲四大奖项，评选出的优秀论文也将同步在IEEE Intelligent Systems特刊上出版，吸引了众多学者参与联邦学习生态的建设与讨论。
聚焦联邦学习的理论逻辑与实践发展 IBM与谷歌专家分享突破性成果
数据隐私和安全正逐渐成为数字时代的关键性问题。去年5月25日欧盟《通用数据保护条例》(GDPR)正式实施，这项被称为“史上最严厉”的数据隐私保护法案强调，收集用户数据必须公开、透明。国内外的一系列法律法规向传统的数据处理和合作方式提出了全新的挑战。因此，探索人工智能如何适应全新的现实环境成了重中之重，本次联邦学习主题研讨会也应运而生。
研讨会上，来自IBM的Shahrokh Daijavad博士与来自谷歌的Jakub Konečny博士围绕联邦学习分别发表了演讲，分享了多种解决方案和突破性成果。
Shahrokh Daijavad博士提到了“融合AI (Fusion AI)”的概念，对于联邦学习在企业环境中应对挑战的方法做了分享。融合AI是让多个模型在广泛分布的数据集上进行训练，并融合这些模型以产生与集中训练相当的效果。Shahrokh Daijavad博士表示，融合AI与传统机器学习主要的区别在于，在融合AI技术下数据无需传输，而模型参数共享，这使得融合AI的模型效果比需要移动传输数据的模型更好。面对多种数据分散分布的场景，发展融合AI与联邦学习的重要性和紧迫性日益凸显。
来自谷歌的Jakub Konečny博士在演讲中指出：“联邦学习可以让机器学习工程师和数据科学家高效地处理分散的数据，同时也兼顾了隐私问题。”在介绍了联邦学习的基本原理之后，Jakub Konečny博士分享了谷歌在联邦学习方面的应用案例。在Gboard输入法的案例中，当设备数据比服务器端代理数据更具备相关性、当设备数据涉及敏感隐私或数据庞大、当标签可以从用户交互中自然推断出来时，我们可以考虑使用联邦学习技术。使用联邦学习之后的Gboard输入法联想词预测准确率增加了24%，联想词条点击率增加了10%。
Jakub Konečny博士现场发表演讲
大咖齐聚圆桌会 共探联邦学习未来发展方向
会上，微众银行人工智能首席科学家范力欣博士主持了圆桌会，与以色列巴伊兰大学教授Benny Pinkas、IBM Academy of Technology的Shahrokh Daijavad博士、松鼠AI首席架构师Richard Tong、谷歌研究员Jakub Konečny博士、华为CBG软件部CTOOffice 张宝峰、星云Clustar执行副总裁张骏雪博士、创新工场人工智能研究所副总裁冯霁博士等专家学者在现场与参会者进行了深度互动，一起探讨联邦学习未来的发展方向。
首届联邦学习国际研讨会-圆桌会现场
圆桌会上，多位专家就“联邦学习如何满足安全性和合规性要求?”、“在保证用户隐私和数据安全的同时，数据价值能不能得到最大程度扩展?”、“在应对数据监管与人工智能发展的基本矛盾之外，建立起稳定、双赢的商业生态系统的长久目标该如何完成?”等具体问题展开了讨论。
最佳理论论文、最佳应用论文、最佳演讲、最佳学生论文四大奖项揭晓
研讨会最后，由参会者共同评选的最佳理论论文(Best TheoryPaper Award)、最佳应用论文(Best ApplicationPaper Award)、最佳学生论文(Best Student Paper Award)、最佳演讲(Best Presentation Award)四大奖项新鲜出炉：
最佳理论论文奖：Huadi Zheng、Haibo Hu及Ziyang Han作者团队的论文《保护机器学习的用户隐私：本地化差分隐私还是联邦机器学习?(Preserving User Privacy For Machine Learning: Local Differential Privacy orFederated Machine Learning?)》;
最佳应用论文奖：Yiqiang Chen、Jindong Wang、Chaohui Yu、Wen Gao及Xin Qin作者团队的论文《联邦健康：可穿戴医疗的联邦迁移学习框架(FedHealth: A Federated Transfer Learning Framework for Wearable Healthcare)》;
最佳学生论文奖：Qinghe Jing、Weiyan Wang、Junxue Zhang、Han Tian及Kai Chen作者团队的论文《量化评估联邦迁移学习(Quantifying the Performance of Federated Transfer Learning)》;
最佳演讲奖：Aleksei Triastcyn与Boi Faltings作者团队现场讲演的论文《联邦生成隐私(Federated Generative Privacy)》。
本届IJCAI理事会主席、微众银行首席人工智能官杨强教授与松鼠AI首席架构师Richard Tong及创新工场人工智能研究所副总裁冯霁博士现场为获奖者颁发证书。
IJCAI 2019理事会主席、微众银行首席人工智能官杨强教授为“最佳理论论文”颁奖
IJCAI 2019理事会主席、微众银行首席人工智能官杨强教授为“最佳应用论文”颁奖
创新工场人工智能研究所副总裁冯霁为“最佳学生论文”颁奖
松鼠AI首席架构师Richard Tong为“最佳演讲”颁奖
杨强教授表示，举办本届联邦学习国际研讨会的出发点是期望借此推动联邦学习生态的建设，希望学术界、企业界以及法律、监管机构都能够对联邦学习这项技术有更深入的了解，并希望更多的企业加入到这个生态中来。同时希望能借此机会搭建一个平台，让有志于做联邦学习方向的学生找到合适的研究团队。
IJCAI2019于8月10日-16日在中国澳门隆重举办，作为人工智能领域最顶级的国际学术会议之一，本届IJCAI共计吸引了超过3000名AI研究人员和专家到来，而此次首届联邦学习国际研讨会更是与会专家关注的焦点之一。通过现场专家学者的分享与探讨，学界、工业界越来越多的有识之士表示期待参与到联邦学习未来的学术研究与落地应用中来，为推动AI生态的发展与繁荣，贡献出一份自己的力量。
