全程回顾 | 隐私计算与联邦学习专场 AI MEETUP

FedAI Ecosystem

于 2021-09-07 17:33:39 发布

阅读量400

点赞数 1

文章标签：人工智能联邦学习 FATE 机器学习

原文链接：https://mp.weixin.qq.com/s/lo9x2XY2Y0SPRgaVoezZHg

版权

本次线上直播活动聚焦隐私计算与联邦学习，邀请了行业专家深入探讨本地差分隐私的问题与挑战，以及如何利用AnalyticsZoo在Intel SGX上构建隐私保护机器学习。此外，还分享了FATE联邦学习框架的算法优化实践，展示了在数据智能时代，隐私计算技术如何助力企业应对数据安全与合规的挑战。

摘要由CSDN通过智能技术生成

9月4日，由FATE开源社区和白玉兰开源联合主办，众多社区大力支持的隐私计算与联邦学习专场 AI MEETUP（线上直播）圆满落幕。本次活动，特邀约数位隐私计算领域的前沿技术专家，畅谈数据智能时代隐私计算的技术及应用价值。

接下来带大家回顾直播全程，更多信息可查看直播官网：https://www.slidestalk.com/w/525

1、多角度个性化的本地差分隐私：问题和挑战

议题介绍：相对于传统的差分隐私，本地差分隐私（local differential privacy,简称LDP）具有不需要可信中心的优点，但是也面临着诸多新的挑战。这里我们将探讨用户-数值-属性等多角度个性化隐私保护需求对本地化差分隐私模型所带来的问题和挑战，对现有的相关机制进行分类讨论，分析其特点，并给出进一步的研究方向。

分享嘉宾：朱友文，博导，南京航空航天大学教授、信息安全专业主任，江苏省密码学会理事，《电子与信息学报》青年编委。

【隐私计算与联邦学习专场 AI MEETUP】多角度个性化的本地差分隐私：问题和挑战

2、使用Analytics Zoo在Intel SGX上构建隐私保护机器学习

议题介绍：随着数据隐私法案的逐渐落地，数据应用特别是大数据和机器学习应用，正面临越来越严峻的合规挑战，部分领域甚至已经出现了数据孤岛。为了解决上述问题，英特尔推出了基于 SGX 和 Analtics-Zoo 的隐私保护的机器学习（PPML）方案。该方案可以为大数据和机器学习应用提供无缝的隐私计算支持，降低应用迁移和合规的成本；在此基础上，还提供了基于 SGX 的联邦学习功能，助力企业打破数据孤岛，实现数据赋能。

分享嘉宾：史栋杰，英特尔资深软件架构师。多年从事企业级计算、风控、大数据分析、云计算容器编排、数据分析与人工智能领域的研发，英特尔开源框架 BigDL 与 Analytics Zoo 的贡献者之一。

【隐私计算与联邦学习专场 AI MEETUP】使用Analytics Zoo在Intel SGX上构建隐私保护机器学习