人工智能前沿

• 联邦机器学习
• 联邦机器学习(Federated machine learning/Federated Learning)，又名联邦学习，联合学习，联盟学习。联邦机器学习是一个机器学习框架，能有效帮助多个机构在满足用户隐私保护、数据安全和政府法规的要求下，进行数据使用和机器学习建模。
• 举例来说，假设有两个不同的企业 A 和 B,它们拥有不同数据。比如，企业 A 有用户特征数据；企业 B 有产品特征数据和标注数据。这两个企业按照上述 GDPR 准则是不能粗暴地把双方数据加以合并的,因为数据的原始提供者,即他们各自的用户可能不同意这样做。假设双方各自建立一个任务模型,每个任务可以是分类或预测,而这些任务也已经在获得数据时有各自用户的认可,那问题是如何在 A 和 B 各端建立高质量的模型。由于数据不完整(例如企业 A 缺少标签数据,企业 B 缺少用户特征数据),或者数据不充分 (数据量不足以建立好的模型),那么,在各端的模型有可能无法建立或效果并不理想。联邦学习是要解决这个问题:它希望做到各个企业的自有数据不出本地,而后联邦系统可以通过加密机制下的参数交换方式,即在不违反数据隐私法规情况下,建立一个虚拟的共有模型。这个虚拟模型就好像大家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,也不泄露隐私和影响数据合规。这样,建好的模型在各自的区域仅为本地的目标服务。在这样一个联邦机制下,各个参与者的身份和地位相同,而联邦系统帮助大家建立了“共同富裕”的策略。 这就是为什么这个体系叫做“联邦学习”。
• 数字孪生城市
• 数字孪生城市的特征：精准映射、虚实交互、软件定义、智能干预。
• 精准映射：数字孪生城市通过空中、地面、地下、河道等各层面的传感器布设，实现对城市道路、桥梁、井盖、灯盖、建筑等基础设施的全面数字化建模，以及对城市运行状态的充分感知、动态监测，形成虚拟城市在信息维度上对实体城市的精准信息表达和映射。
• 虚实交互：城市基础设施、各类部件建设即有痕迹，城市居民、来访人员上网联系即有信息。未来数字孪生城市中，在城市实体空间可观察各类痕迹，在城市虚拟空间可搜索各类信息，城市规划、建设以及民众的各类活动，不仅在实体空间，而且在虚拟空间得到极大扩充，虚实融合、虚实协同将定义城市未来发展新模式。
• 数字孪生城市存在四大特点：
• 软件定义：
  孪生城市针对物理城市建立相对应的虚拟模型，并以软件的方式模拟城市人、事、物在真实环境下的行为，通过云端和边缘计算，软性指引和操控城市的交通信号控制、电热能源调度、重大项目周期管理、基础设施选址建设。
• 智能干预：
  通过在“数字孪生城市”上规划设计、模拟仿真等，将城市可能产生的不良影响、矛盾冲突、潜在危险进行智能预警，并提供合理可行的对策建议，以未来视角智能干预城市原有发展轨迹和运行，进而指引和优化实体城市的规划、管理、改善市民服务供给，赋予城市生活“智慧”
• 数字孪生(Digital Twin)是一种物理空间与虚拟空间的虚实交融、智能操控的映射关系，通过在实体世界，以及数字虚拟空间中，记录、仿真、预测对象全生命周期的运行轨迹，实现系统内信息资源、物质资源的最优化配置。
• 数字孪生城市是数字孪生技术在城市层面的广泛应用，通过构建城市物理世界、网络虚拟空间的一一对应、相互映射、协同交互的复杂巨系统，在网络空间再造一个与之匹配、对应的“孪生城市”，实现城市全要素数字化和虚拟化、城市全状态实时化和可视化、城市管理决策协同化和智能化，形成物理维度上的实体世界和信息维度上的虚拟世界同生共存、虚实交融的城市发展格局。
• 数字孪生城市，既可以理解为实体城市在虚拟空间的映射和状态，也可以视为支撑新型智慧城市建设的复杂综合技术体系，是推进城市规划、建设、服务，确保城市安全、有序运行的赋能支撑。