会员中心
搜索
登录
注册

解决方案

数字化转型通用方案行业方案安全方案大数据人工智能物联网行业展望自动控制其他

产品|技术

白皮书产品介绍技术介绍技术创新模型算法

政策|规范

政策规范行动计划

电子书

电子书课件

报告|论文

报告模板论文

自研联邦学习系统的技术实践和难点

近两年，联邦学习发展迅速，开始从理论研究迈向批量应用的落地阶段，越来越多企业尝试引入联邦学习，用它来解决人工智能大规模落地过程中遭遇的数据瓶颈问题。但现成的联邦学习工具和框架并非拿来即用的“灵丹妙药”，联邦学习要真正在企业实际业务场景中发挥作用，仍有许多问题需要摸索，比如如何匹配业务的实际需求、如何兼容现有业务流程、如何尽可能减少对已有训练系统的改动等。为此，InfoQ 采访了腾讯 TEG 数据平台部的智能学习团队，深入了解联邦学习在腾讯的实践情况，以及他们对联邦学习技术难点的解决思路。

  • 2022-01-20
  • 阅读117
  • 下载0
  • 12页
  • docx

MPC中的匿踪查询协议及应用

MPC（Model Predictive Control），又称RHC, Receding Horizon Control，是一种进阶过程控制方法，自1980年以来开始在化工炼油等过程工业得到应用，并在经济领域开始得到应用。

  • 2022-01-20
  • 阅读107
  • 下载0
  • 19页
  • pdf

基于隐私保护计算的医学研究应用

在2000年以后，出于应用上的需求，又开始开辟新的思路，如差分隐私，简单说像原始数据去可控的加入噪声，让个体的隐私得到保护，同时对最终的计算结果影响可控。另外一条路是2013年英特尔提出了基于SGX的可信执行环境技术，在硬件层面提供了一种数据可用不可见的机制，在2016年，Google把分布式机器学习拓展到隐私保护领域，提出了联邦学习的概念，最开始是用大量的手机终端来训练输入法的模型，后来融合联邦学习和密码学，安全性进一步得到一定的提升。

  • 2022-01-21
  • 阅读106
  • 下载0
  • 17页
  • docx

4-4 隐私计算赋能金融企业数字化转型

隐私计算（Privacy computing）是指在保护数据本身不对外泄露的前提下实现数据分析计算的技术集合，达到对数据“可用、不可见”的目的；在充分保护数据和隐私安全的前提下，实现数据价值的转化和释放。

  • 2022-01-20
  • 阅读107
  • 下载0
  • 17页
  • pdf

基于隐私保护计算的金融科技创新探索

数据隐私保护，是指对企业敏感的数据进行保护的措施。数据隐私保护可以通过数字水印进行版权信息识别，可以通过数据脱敏实现技术上的变形处理。

  • 2022-01-21
  • 阅读104
  • 下载0
  • 10页
  • pdf

浅析同态加密及其应用场景

同态加密（英语：Homomorphic encryption）是一种加密形式，它允许人们对密文进行特定形式的代数运算得到仍然是加密的结果，将其解密所得到的结果与对明文进行同样的运算结果一样。换言之，这项技术令人们可以在加密的数据中进行诸如检索、比较等操作，得出正确的结果，而在整个处理过程中无需对数据进行解密。其意义在于，真正从根本上解决将数据及其操作委托给第三方时的保密问题，例如对于各种云计算的应用。

  • 2022-01-21
  • 阅读116
  • 下载0
  • 7页
  • docx

高性能联邦学习算法优化实践

近年来，联邦学习作为解决数据孤岛问题的技术被广泛关注，已经开始被应用于金融、医疗健康以及智慧城市等领域。从3个层面系统阐述联邦学习算法。首先通过联邦学习的定义、架构、分类以及与传统分布式学习的对比来阐述联邦学习的概念；然后基于机器学习和深度学习对目前各类联邦学习算法进行分类比较和深入分析；最后分别从通信成本、客户端选择、聚合方式优化的角度对联邦学习优化算法进行分类，总结了联邦学习的研究现状，并提出了联邦学习面临的通信、系统异构、数据异构三大难题和解决方案，以及对未来的期望。

  • 2022-01-20
  • 阅读131
  • 下载0
  • 38页
  • pdf

字节跳动在联邦学习领域的探索及实践

数据是人工智能时代的石油，但是由于监管法规和商业机密等因素限制，"数据孤岛"现象越来越明显。联邦学习（Federated Learning）是一种新的机器学习范式，它让多个参与者可以在不泄露明文数据的前提下，用多方的数据共同训练模型，实现数据可用不可见。

  • 2022-01-20
  • 阅读104
  • 下载0
  • 18页
  • docx