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

vivo联邦学习应用与实践

2016年，Google在《Federated Learning: Strategies for Improving Communication Efficiency》论文中，首先提出“联邦学习”（Federated Learning）的概念，该方法能够联合分布于多个移动终端上的数据，实现云端模型的训练。联邦学习的核心，在于模型中心化，数据去中心化。其目的是保护用户隐私与数据安全。

  • 2022-01-21
  • 阅读155
  • 下载0
  • 9页
  • docx

B2B的纵向联邦学习深度模型方案

随着人工智能进入以深度学习为主导的大数据时代，基于大数据的机器学习在推动AI蓬勃发展的同时，也带来了一些数据隐私泄露的安全隐患。近年来国内外在逐步加强对数据隐私的保护，例如欧盟最近引入的新法案《通用数据保护条例》（GDPR），我国国家互联网信息办公室起草的《数据安全管理办法（征求意见稿）》等，使跨企业和组织的数据合作越来越困难。

  • 2022-01-20
  • 阅读130
  • 下载0
  • 5页
  • docx

隐私计算的技术流派与标准

近日，零壹财经推出国内首个系统研究隐私计算在金融领域应用的报告《开启新纪元：隐私计算在金融领域应用发展报告（2021）》，从隐私计算落地最为密集的金融业开始，展示隐私计算发展中真实而鲜活的产业生态，让产业实践者们被看见、被发现。本报告研究机构为零壹财经·零壹智库，联合发布单位为中国科技体制改革研究会数字经济发展研究小组、深圳市信用促进会、横琴数链数字金融研究院，同时得到了同盾科技、星云clustar、瑞莱智慧、金智塔科技和天冕科技的研究支持。

  • 2022-01-21
  • 阅读119
  • 下载0
  • 7页
  • docx

隐私保护视角下联邦学习的「前世今生」

联邦学习（Federated Learning）作为人工智能的一个新分支，为机器学习的新时代打开了大门。自发展以来，其定义早已超过了早期提出范围，以至于现在只要出于隐私保护目的的多方机器学习都将其归属于「联邦学习」这一范畴。也有人对「联邦学习」这一名称提出异议，本文从实际应用的角度重新梳理了「联邦学习」的前世今生，希望能为读者提供一个新的联邦学习研究视角。

  • 2022-01-21
  • 阅读118
  • 下载0
  • 8页
  • docx

同态加密：实现数据的“可算不可见”

同态加密（Homomorphic Encryption, HE）是指满足密文同态运算性质的加密算法，即数据经过同态加密之后，对密文进行特定的计算，得到的密文计算结果在进行对应的同态解密后的明文等同于对明文数据直接进行相同的计算，实现数据的“可算不可见”。

  • 2022-01-20
  • 阅读121
  • 下载0
  • 14页
  • docx

基于秘密共享与同态加密的纵向联邦学习方案研究

由于日趋严格的隐私保护政策，各种隐私保护算法被提出。联邦学习能够在保护用户隐私不被泄露的情形下，运行各种机器学习算法。介绍了在不同场景下适用的联邦学习框架，并以逻辑回归为例介绍了纵向联邦学习的几种常用实现方式；此外，对各种实现方式的优缺点及适用场景进行了分析。

  • 2022-01-20
  • 阅读108
  • 下载0
  • 17页
  • docx

零样本文本分类探秘

迁移学习对自然语言处理产生了巨大的影响。在NLP 领域， BERT模型的训练结果比以往更为准确，通常用更少的标记数据也能实现准确的训练。目前，微调语言模型已经成为NLP的标准程序，有人自然会好奇地问：训练特定任务时，带标记的数据真的必要吗？在本文中，研究了两个可用的零样本文本分类模型，并对它们的性能进行了评估。

  • 2022-01-21
  • 阅读119
  • 下载0
  • 6页
  • docx

从零到一：生成对抗网络GAN完全掌握

我们往往不降判别网络训练到最优，只进行 次梯度下降，以保证生成网络的梯度仍然存在。但是如果因为训练次数太少导致判别网络判别能力太差，则生成网络的梯度为错误的梯度。如何确定 这个超参数，平衡好梯度消失和梯度错误之间的平衡是个难题，这也是为什么说GAN在训练时稳定性差的原因。

  • 2022-01-21
  • 阅读152
  • 下载0
  • 6页
  • docx