用於私隐保护的联邦学习概要分析应用程序的部署环境 (ARD/260)

银联通宝有限公司(银通) (赞助机构)

利用企业数据进行机器学习分析的潜在利益是巨大的，但对数据的私隐与合规性的要求却正在对此构成阻碍。联邦学习被视為机器学习落地的最后一步，可以解决数据私隐问题。目前联邦学习的最新进展可以解决将不同机器拥有的私有数据集中的分布式机器学习模型的结果合并在一起的私隐保护问题 [1]。但是，由於缺乏应用程式集成支持，企业不愿使用此技术。 该项目旨在设计和实施有效的应用程式集成软件平台，该平台可促进部署符合数据私隐法规的联合学习网络，从而可以部署新的机器学习用例。实现该平台软件的目的是為了帮助企业升级其应用，从使用单独的机器学习模型转换到使用联合学习模型上来，例如信用评估和反洗钱。该平台将使多方受益，包括金融监管机构，採用AI技术的组织，研究群和广大民眾。 参考文献： [1] Yang, Qiang, et al. "Federated machine learning: Concept and applications." ACM Transactions on Intelligent Systems and Technology (TIST) 10.2 (2019): 1-19.