腾讯、鹏城实验室、北大发布联邦学习论文！AAAI 2020收录

最新推荐文章于 2024-08-22 22:48:39 发布
最新推荐文章于 2024-08-22 22:48:39 发布
阅读量1.6k 收藏 3
点赞数 1
分类专栏： 文章解读 计算机会议 文章标签： 联邦学习 视频 自然语言 VAQ 腾讯
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/ConferenceEye/article/details/103908664
版权
腾讯、鹏城实验室及北京大学合作发表的联邦学习论文被AAAI 2020收录，提出aimNet框架，解决视觉与语言基础问题，无需共享数据即可提升图像字幕与VQA任务的性能。
摘要由CSDN通过智能技术生成

会议之眼前沿领域篇-联邦学习

在上一期中，我们为大家带来了什么是联邦学习，谷歌为你画了部漫画！联邦学习属于相对前沿的研究领域，做好了离发顶会paper也就不远了。这不，北大、鹏城实验室以及腾讯三家强强联手发表了一篇联邦学习论文，用于解决视觉和语言基础问题。该论文目前已被AAAI 2020收录！


文章简介

腾讯、鹏城实验室、北大发布联邦学习论文！AAAI 2020收录

 

http://web.pkusz.edu.cn/adsp/files/2019/11/AAAI-FenglinL.1027.pdf


最近，大家对诸如图像字幕和视觉问题解答（visual question answering，VQA）有很强的研究兴趣。受到联邦学习的启发，作者提出了一种联邦学习框架aimNet，该框架通过绑定不同的下游视觉和语言任务来提取细粒度的图像表示，同时避免了数据共享。

 

aimNet介绍

在图像字幕中，系统将图像作为输入，并输出描述。而VQA是一个更具挑战性的问题，需要要求模型根据图像和问题给出答案。深度神经网络在推进图像字幕和VQA的最新技术方面取得了巨大的成功。但大多数现有的基于深度学习的框架都专注于单个任务。如果一起考虑这些问题，则可以共同学习来自不同任务的不同知识，并且很有可能提高每个任务的效能。为了实现这一目标，此前已有研究人员提出了针对视觉和语言基础任务的多任务学习框架。但是，这些方法是在共享所有下游任务数据的条件下进行训练的，这可能会导致数据泄漏。联邦学习的目标是根据分布在多个客户之间的数据集训练高质量的集中式模型，而无需共享客户的数据。受此启发，集中式模型aimNet应运而生，它由一个对齐模块，一个集成模块和一个映射模块组成，如图1所示。

腾讯、鹏城实验室、北大发布联邦学习论文！AAAI 2020收录

 

对齐模块通过对提取的视觉和文本特征进行相互关注来构建对齐的

最低0.47元/天 解锁文章
会议之眼
关注
专栏目录
【强化学习论文合集】二十三.2020AAAI人工智能大会论文(AAAI2020)
计算机科研杂货铺
11-30 2574
强化学习（Reinforcement Learning, RL），又称再励学习、评价学习或增强学习，是机器学习的范式和方法论之一，用于描述和解决智能体（agent）在与环境的交互过程中通过学习策略以达成回报最大化或实现特定目标的问题。 本专栏整理了近几年国际顶级会议中，涉及强化学习（Reinforcement Learning, RL）领域的论文。顶级会议包括但不限于：ICML、AAAI、IJCAI、NIPS、ICLR、AAMAS、CVPR、ICRA等。
录取率20.6%，投稿量创新高！AAAI 2020 录取公布
ConferenceEye的博客
11-11 4612
会议之眼A类，CCF A类会议——美国人工智能协会（AAAI）即将于2020年2月7日至2月12日于纽约召开，论文截稿日期为2019年9月5日。目前，官方邮件已经通知录取结果，大批感谢信纷至沓来！ 录取率20.6%，投稿量创新高！AAAI 2020 录取公布 本届投稿量创下了8800多份的纪录。其中7737篇被审查，接受1591篇论文，录取率为20.6%！ 2019届AAAI投稿论文为7745篇...
请看最新8篇ICML 2020投稿论文（包括：自监督学习、联邦学习、图学习、数据隐私、语言模型、终身学习）.zip
02-22
2020的机器学习在研究什么？请看最新8篇ICML2020投稿论文：自监督学习、联邦学习、图学习、数据隐私、语言模型、终身学习…通过作者们放到 ArXiv 上的 ICML 投稿文章，一窥 ICML2020中的 重要的几篇论文究竟在研究什么？
按照AAAI论文标准给出第二章相关工作部分，介绍联邦学习，需要英文表达并加入参考文献...
weixin_42612804的博客
02-11 91
第二章相关工作中，联邦学习是一种分布式机器学习方法，它允许许多自主设备或机构在保护隐私和数据安全的前提下共同参与模型的训练。联邦学习可以在许多应用场景中使用，例如：医疗诊断、金融风控和智能家居等。 在联邦学习中，每个设备都在本地训练一个模型，并通过参数的加权平均来更新全局模型。这样可以保证各个设备上的数据不会直接共享，从而保护隐私。同时，由于多个设备同时参与训练，因此联邦学习可以获得更好的模型效果...
【机器学习】联邦学习技术
最新发布
2301_79181030的博客
08-22 2045
联邦学习是一种分布式机器学习范式，其核心思想是利用分散在各参与方的数据集，通过隐私保护技术融合多方数据信息，协同构建全局模型。在模型训练过程中，各参与方仅交换模型参数、梯度等中间结果，而本地训练数据则不会离开本地，从而大大降低了数据泄露的风险。自治和联合。自治：各参与方在本地使用自己的数据进行模型训练，得到各自的模型参数。联合：各参与方将本地训练的模型参数上传至中心服务器（或采用去中心化方式），中心服务器进行模型参数的聚合与更新，并将更新后的参数分发回各参与方，进行下一轮迭代。
【联邦学习论文阅读】（AAAI-2021）Federated Block Coordinate Descent Scheme for Learning Global and Personalized
weixin_42567789的博客
04-11 964
在联邦学习中，先利用用户边缘设备中的私有数据学习模型，再将用户的数据聚合到服务提供商的“云”中，从而获得一个全局模型。据此作出两点改进： 考虑到用户习惯的不同，提出一个基于二次惩罚的公式，以有效地学习允许局部模型个性化的全局模型。 解决与边缘设备的异构训练时间相关的延迟问题：利用分层结构，对云和边缘设备之间的通信，以及云内部的通信进行建模。即设计一个定制的块坐标下降的计算方案，并提供同步和异步云设置的通信协议。
顶会论文笔记：联邦学习——ATPFL: Automatic Trajectory Prediction Model Design under Federated Learning Framework
liuzeyao_Newton的博客
09-15 1618
【联邦学习×计算机视觉】ATPFL帮助用户联合多源轨迹数据集，自动设计和训练强大的TP轨迹预测模型。 ATPFL: Automatic Trajectory Prediction Model Design Under Federated Learning Framework
联邦学习顶刊论文整理，如何高效学论文？
m0_75261490的博客
11-29 733
联邦学习
17篇必看[知识图谱Knowledge Graphs] 论文@AAAI2020.zip
02-14
Michael Galkin撰写了AAAI2020知识图谱论文相关研究趋势包括：KG-Augmented语言模型，异构KGs中的实体匹配，KG完成和链路预测，基于kg的会话人工智能和问题回答，包括论文，值得查看!
AAAI 2020最佳论文公布【Best paper】.zip
02-08
标题中的"AAAI 2020最佳论文公布"指的是美国人工智能协会(Association for the Advancement of Artificial Intelligence)在2020年度的会议中评选出的最高荣誉——最佳论文奖。这个奖项通常授予那些在人工智能领域...
FISR:FISR的官方存储库（于AAAI 2020接受）
05-04
FISR 这是FISR（AAAI2020）的官方资料库。 我们提供训练和测试代码，以及训练后的权重和用于FISR的数据集（训练+测试）。 如果您发现此存储库有用，请考虑引用我们的。 参考： Soo Ye Kim *，Jihyong Oh *和Munchurl Kim“ FISR：深度联合框架插值和具有多尺度时间损失的超分辨率”，第三十四届AAAI人工智能会议，2020年。（*等额捐款） 要求 我们的代码是使用Tensorflow实现的，并在以下设置下进行了测试： Python 3.7 Tensorflow 1.13 CUDA 10.0 cuDNN 7.1.4 NVIDIA TITAN Xp GPU Windows 10 测试码 快速开始 将源代码下载到您选择的目录<source>中。 从此下载我们的4K测试数据集，并在<source> / data
lapa-dataset:大规模的人脸解析数据集（AAAI2020）
05-06
LaPa数据集用于人脸解析 介绍 我们开发的像素级分析脸标注一个高效率的框架，构建引导面霸的面解析一个新的大型拉ndmark rsing数据集（拉帕）。 它由超过22,000张面部图像组成，这些面部图像在表情，姿势和遮挡方面都有很大的变化，并且每幅LaPa图像都具有11类像素级标签图和106点地标。 图1：建议的LaPa数据集的注释示例。 下载 代码：LaPa 引文 如果您使用我们的数据集，请引用以下论文： 刘英璐，石海林，沉浩，岳思，王小波，陶梅。 在AAAI中，2020年。 @inproceedings{liu2020new, title={A New Dataset and Boundary-Attention Semantic Segmentation for Face Parsing.}, author={Liu, Yinglu and Shi, Ha
联邦学习基础知识和概念（入门）
fake_face的博客
06-11 6591
联邦学习是一种带有隐私保护、安全加密技术的分布式机器学习框架，旨在让分散的各参与方在满足不向其他参与者披露隐私数据的前提下，协作进行机器学习的模型训练。其设计目标是在保障大个人数据隐私、保证合法合规的前提下，在多参与方（可能是现实中的多个机构）或多计算结点之间协同学习到一个更好的全局模型。联邦学习的数据不共享，（加密后的）参数可共享，它可以基于server-client主从的中心化(centralized)结构，也可以是去中心化(decentralized)结构。
联邦学习（Federated Learning）
热门推荐
培根芝士的专栏
11-26 4万+
联邦学习简介 联邦学习（Federated Learning）是一种新兴的人工智能基础技术，其设计目标是在保障大数据交换时的信息安全、保护终端数据和个人数据隐私、保证合法合规的前提下，在多参与方或多计算结点之间开展高效率的机器学习。其中，联邦学习可使用的机器学习算法不局限于神经网络，还包括随机森林等重要算法。联邦学习有望成为下一代人工智能协同算法和协作网络的基础。 联邦学习的系统构架 以包含两个数据拥有方（即企业 A 和 B）的场景为例介绍联邦学习的系统构架。该构架可扩展至包含多个数据拥有方的场景。假
联邦学习是什么？联邦学习简介
qq_45523675的博客
11-15 1万+
在大多数情况下，数据分散的保存在各个企业手中，而各个企业希望在不公开自己数据的情况下，联合其他企业（利用各个企业所持有的数据）一起训练一个模型，该模型能够帮助企业获取更大的利益。对于收集零散的数据，传统的方法是通过搭建一个数据中心，在数据中心对模型进行训练，但随着越来越多的法律限制加上数据拥有者不愿意透露自己的数据，这种方法已经渐渐行不通了。定义：联邦学习（federated learning），全称联邦机器学习（federated machine learning），为了解决联合训练模型时的隐私问题，提出
联邦学习（（Federated Learning，FL）
weixin_51306020的博客
07-14 9293
联邦学习相关概念、领域热点、挑战与前景。 联邦学习的定义、特点、框架、迭代流程、分类；领域亟待解决的问题；主要研究方向、热点和前景展望。
简单理解什么叫联邦学习（全）
cryptocxf的博客
09-06 1万+
《Federated Machine Learning：Concept and Applications》 该篇综述《Federated Machine Learning：Concept and Applications》是杨强教授在2019年发表在ACM Transactions on Intelligent Systems and Technology (TIST)上的一篇综述论文，比较全面和系统的介绍了联邦学习的基本概念、分类和一些安全隐私问题等。下面是我个人结合本篇综述理解的一些笔记记录，比较精简，
联邦学习
datacreating的博客
12-02 4579
“联邦学习（Federated Learning）”作为一种加密的分布式机器学习范式，可以使得各方在不披露原始数据的情况下达到共建模型的目的，即在不违反数据隐私保护法规的前提下，连接数据孤岛，建立性能卓越的共有模型。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值