NeurIPS 2019回顾来了！联邦学习+推荐场景，微众银行首创业界联邦推荐技术

FedAI Ecosystem

于 2019-12-17 16:13:25 发布

阅读量550

点赞数 1

文章标签：人工智能机器学习

本文链接：https://blog.csdn.net/weixin_45439861/article/details/103582214

版权

微众银行在NeurIPS 2019大会上展示了联邦推荐技术，通过FATE框架首次将联邦学习应用于推荐场景，解决了数据孤岛和隐私保护问题。联邦推荐包括横向、纵向和迁移联邦，如书籍与电影推荐服务的联邦，以及推荐服务提供方与用户数据提供方的联邦，确保数据安全的同时优化推荐效果。

摘要由CSDN通过智能技术生成

2019年12月8日至12月14日，微众银行首席人工智能官杨强教授受邀参加于加拿大温哥华举办的人工智能和机器学习领域的国际顶级会议：神经信息处理系统大会（Conference and Workshop on Neural Information Processing Systems，简称NeurIPS）。

在微众银行联合谷歌、卡内基梅隆大学举办的联邦学习国际研讨会上，杨强教授以《Federated Recommendation》为主题，分享了微众银行首创的联邦推荐技术的最新研究成果和应用落地。
微众银行首席人工智能官杨强教授发表演讲
推荐系统应用广泛，已经渗透到人们生活各个方面，例如新闻推荐、视频推荐、商品推荐等。为了实现精准的推荐效果，推荐系统会收集海量用户和所推荐内容的数据，一般而言，收集的数据越多，对用户和推荐内容的了解就越全面和深入，推荐效果越精准。在现实场景中，随着用户数据安全和隐私保护相关政策相继出台和日益完善，这些数据通常为保护用户数据隐私而以“数据孤岛”的形式分散在不同的机构。因此在“数据孤岛”与“隐私保护”的现实问题中，在合理合法的前提下使用数据持续优化效果提供优质服务，是当前推荐系统所面的巨大挑战和首要任务。