聚焦隐私保护AI，IJCAI2022China隐私计算与联邦学习论坛顺利召开

【“ZiDongHua”之会展赛培坛：第31届国际人工智能联合会议-中国会议（IJCAI 2022 China）】深圳2022年11月15日11月6-9日，第31届国际人工智能联合会议-中国会议（IJCAI 2022 China）在深圳坪山燕子湖国际会展中心召开。其中，大会主题论坛《隐私计算与联邦学习》由微众银行、联邦学习FATE开源社区、香港科技大学、清华大学智能产业研究院、厦门大学、深圳大学、中国科学院计算研究所、南洋理工大学、腾讯云等国内外知名企业、高校和机构联合主办，并于11月8日在线上线下同步顺利进行。

聚焦隐私保护AI，IJCAI2022China隐私计算与联邦学习论坛顺利召开

深圳2022年11月15日11月6-9日，第31届国际人工智能联合会议-中国会议（IJCAI 2022 China）在深圳坪山燕子湖国际会展中心召开。其中，大会主题论坛《隐私计算与联邦学习》由微众银行、联邦学习FATE开源社区、香港科技大学、清华大学智能产业研究院、厦门大学、深圳大学、中国科学院计算研究所、南洋理工大学、腾讯云等国内外知名企业、高校和机构联合主办，并于11月8日在线上线下同步顺利进行。

数据要素的战略性意义已成为全球共识，隐私计算正快步迈进规模化商业应用阶段。隐私计算和联邦学习为数据要素高效流通提供了可行的方案，被业界广泛关注和使用，同时也成为人工智能国际顶会上的热门方向之一。在此背景下，本次论坛邀请了数位隐私计算和联邦学习研究和应用领域的带头人进行特邀演讲，并且邀请被接收论文的作者分享最新的研究成果。

专家学者云集，助力隐私计算与联邦学习大发展

论坛荣誉主席、香港科技大学计算机与工程系讲席教授和前系主任、微众银行首席人工智能官杨强教授发表题为《可信联邦学习》的主题演讲。杨强教授表示，联邦学习是人工智能和隐私计算的重要交集，如何使联邦学习更加安全可信和高效是今后产业和学界关注的重点，可信联邦学习的提出顺应了产业发展的新趋势。开源是可信联邦学习实现普惠的重要路径，在开源平台的支撑下，联邦学习在多个场景涌现出了优秀的应用案例，并且分享了FATE开源社区最新工作进展和未来发展规划。此外，杨强教授还展望了跨平台互联互通、完善联邦学习安全机制等行业未来发展重点，给联邦学习的进一步发展指明了方向。

针对联邦学习系统中的效率、安全、性能平衡与优化问题，论坛主席、清华大学智能产业研究院副研究员刘洋博士发表了《联邦学习系统中效率-安全-性能平衡探索》主题演讲，介绍了最新研究进展。刘洋博士指出，数据安全与隐私，传输效率，异构数据、异构设备的适配，训练效果等是联邦学习当前面临的核心问题，联邦学习安全分级评估，联邦学习防御评估，防御标签和后门攻击，FedBCG，FedSSO，FedGEMS，TailorFL等多项最新研究进展为构建安全高效的联邦学习框架提出新的解决思路和挑战问题。

中国科学院计算技术研究所所务委员/研究员、智能研究部主任陈益强研究员详细介绍了名为《MetaFed：一种基于环形知识蒸馏的元联邦学习框架》的最新论文。该论文提出了"元联邦"既"联邦之联邦"概念，及MetaFed层次化动态环联邦学习框架。通过自适应的环形知识蒸馏，累积通用知识，舍弃冗余知识，以较小通信代价，达到在无中心服务端参与情形下获取精度提升及个性化学习。在分享的最后，陈益强研究员提出了"模型即服务"，像互联网一样方便快捷的"中国模型网"等未来愿景。

针对如何解决联邦学习面临的公平与激励问题，论坛主席、新加坡南洋理工大学计算机科学与工程学院南洋助理教授于涵进行了《Contribution and Fairness-Aware Federated Learning》主题演讲，创新性地提出了相关解决方案。于涵教授表示，联邦学习要实现快速发展，需要一个良好生态的支持。而只有满足公平，同时对贡献者进行适当激励才能激励大家积极参与共同建设，从而形成良好的行业生态环境。

产学精英汇聚，推动隐私计算与联邦学习前沿实践

联邦学习已在金融、医疗、营销广告与推荐、智慧城市等多行业多领域广泛落地探索，除了最新理论研究进展分享，多位嘉宾介绍了工业实践成果，为联邦学习的行业应用提供了标杆案例。

基于联邦学习在推荐领域的实践，深圳大学软件工程研究中心副主任潘微科副教授分享了跨用户联邦推荐（Cross-User Federated Recommendation）方面的研究进展，并重点介绍了一个通用的跨用户联邦推荐框架FMSS。在该框架中，通过虚假标记和秘密共享两个技术，可以实现在评分预测、物品排序和序列推荐等联邦推荐场景中保护用户的评分数值和评分行为，从而达到隐私保护的目的。此外，通过分析和实验展示了该框架的安全性和无损性。

营销与广告领域是联邦学习的重要应用场景，腾讯 Angel PowerFL 隐私计算平台负责人程勇博士带来题为《联邦深度学习:最新进展和应用》的主题演讲，聚焦在纵向联邦深度学习（VFDL）领域，从程序化广告场景中的数据协同应用难题，以及跨域推荐场景里的数据协同应用难题等现实应用挑战切入，分享了VFDL如何在实践中不断优化迭代，从而更好满足业务需求，助力业务持续增长目标。程勇博士认为，VFDL具有很高的研究价值和应用潜力，探索空间很大，下一步将带领团队重点探索SplitNN之外的下一代VFDL训练和推理架构（Go beyond SplitNN）。

数字福建城市交通大数据研究所（厦门大学）常务副所长范晓亮分享了《数字教育领域的隐私计算应用初探》。他指出，数据作为一种新型的生产要素，已经成为数字经济的发展基石，隐私计算的需求也愈发旺盛。除了在金融、医疗、政务、运营商场景外，在高等学校数字化转型领域也有迫切的隐私计算需求。今年刚好是高等教育数字化转型元年，厦门大学和中国信通院牵头了国内首个隐私计算应用面向高等教育数字化场景的应用规范的团体标准，旨在引领高等高校内部机构之间、高校之间以及高校与外部之间在课程、实践、学生评价、产学研合作等全流程的数据安全流通和隐私计算应用。

除了嘉宾的分享，8篇被IJCAI 2022接收的隐私计算与联邦学习相关的论文的作者也进行了现场论文讲解，分享了最新的研究成果。同时，论坛还设置了问答互动环节，听众和论文作者进行实时探讨交流。

最后，论坛主席、微众银行人工智能首席科学家范力欣博士对整个论坛进行了精彩的总结发言。范力欣博士指出，本场隐私计算和联邦学习论坛从技术原理、现实挑战、实践应用、前沿探索等多个方面进行了全面的分享和讨论，精彩纷呈。对于来参会的IJCAI 2022优秀论文作者表示感谢并提出期望，鼓励大家能够勇于突破和敢于提出好的研究问题。提出一个好的问题往往比解决一个问题更难也更重要，希望未来有好的问题、新的方向不断涌出，一起助力整个行业蓬勃发展。

隐私计算和联邦学习论坛作为第31届国际人工智能联合会议-中国会议的重要组成部分，云集了多位行业专家学者和优秀论文作者。通过精彩分享和观点碰撞，使得隐私计算和联邦学习对于数据要素高效流通的重要意义达到更广泛的共识，提升了技术落地应用广度和深度，推动了技术生态快速、高质量发展。相信隐私计算和联邦学习的发展将会为未来AI的应用、数据要素的流通、数字经济的深入发展指引新的方向。