·186· 智能系统学报 第15卷 如，工地的安全监管，每个工地有很多摄像头去 邦学习。另外，我们还发布了世界上第一套联邦 监管工人的安全状况，比如说戴安全帽、火灾的 学习开源软件。 状况。那么如果不同的工地之间的数据能够打通 总结一下就是，迁移学习是模仿人类举一反 的话，这样的一个模型将是非常有效的，我们恰 三的能力，它有一整套的理论和工业应用的算 恰把联邦学习用在这里。 法，已经在各个方面得到了很好的印证。联邦学 Federated Learning视觉应用-城市管理 习是我们正在进行的一项研究工作，它在合作、 微众WebankAl联合极视角Extreme Viso项目h伦水 建模的基础上引入隐私保护的概念，我们也期待 它在工业界将会有很大的应用发展。 挑战 ，标签教单少 作者简介： 效据分散，集中管瑰成本高 需试迟的顺型更获和反调 杨强，教授，美国马里兰大学计算 联邦学习 机系博士和北京大学天体物理专业博 ·在搜型型机反团 土，主要研究方向为人工智能：迁移学 。无发售中上店的标 站兴保P,隐私性高 习、联邦学习、机器学习、数据挖掘和 自动规划，现担任微众银行首席人工 联邦学习加上迁移学习也用在很多的领域。 智能官(CAIO),为AAAL,ACM,IEEE 这里要特别说明的是，建立这一系列联盟离不开 和AAAS等国际学会的Fellow,曾任 一个标准。因为这是多个企业之间在沟通，企业 香港科技大学新明工程学讲席教授、计算机科学和工程学系 之间一定要遵循同样的标准。所以我们一直在建 主任和华为诺亚方舟实验室主任。他是国际人工智能界“迁 移学习”和“联邦学习”技术的领军人物，于2017年当选为国 立一个EEE的联邦学习国际标准。同时我们通 际人工智能联合会(UCAL,国际人工智能领域创立最早的顶 过和经济学教授合作，建立起一个公平的利益分 级国际会议)理事会主席，是第一位担任IJCAI理事会主席 配机制，来帮助大家自愿地在这个联盟里使用联 的华人科学家。 中文引用格式：杨强.联邦学习：人工智能的最后一公里.智能系统学报，2020,15(1)：183-186. 英文引用格式：YANG Qiang.Federated learning:the last on kilometer of artificial intelligenceJ.CAAl transactions on intelli. gent systems,2020,15(1):183-186. 新书介绍：联邦学习 在当前大数据驱动的社会环境下，数据隐私安全成为了全民探讨的重要议题。信息技术的发展，离不开 由我们在智能终端（手机及其他设备等）上产生或推断出的个人数据，如浏览习惯、点击频次等，来推动个性 化应用和服务的发展。尤其在AI领域，这一情况更为明显，依赖于持续的数据感知、收集，并上传至服务端 进行深度分析与训练，AI才能迎来蓬勃发展。但底层未经审查、不透明的数据收集和聚合协议，很可能造成 严重的数据安全威胁和隐私风险。 要解决这样的困境，仅仅靠传统的机器学习方法已经出现瓶颈。我们需要一个既满足隐私保护和数据 安全，又可实施的解决方案一一联邦学习。联邦学习希望做到各个企业的自有数据不出本地，而联邦系统 可以通过加密机制下的参数交换方式，即在不违反数据隐私法规情况下，建立一个虚拟的共有模型。这个 虚拟模型就好像大家把数据聚合在一起建立的最优模型一样。但是在建立虚拟模型的时候，数据本身不移 动，也不泄露隐私和影响数据合规，也就是“数据不动，模型动”。这样，建好的模型在各自的区域仅为本地 的目标服务。在这样一个联邦机制下，各个参与者的身份和地位相同，而联邦系统帮助大家建立了“共同富 裕”的策略，也就是“风险不增，效益增”。这就是为什么这个体系叫做“联邦学习”。 首部全面、系统论述联邦学习的中文著作《联邦学习》可以作为广大学习者入门和探究联邦学习的第 一本书。本书由杨强教授及其团队撰写，详细描述了联邦学习如何将分布式机器学习、密码学、基于金融规 则的激励机制和博弈论结合起来，以解决分散数据的使用问题。介绍不同种类的面向隐私保护的机器学习 解决方案以及技术背景，并描述一些典型的实际问题解决案例。如，工地的安全监管，每个工地有很多摄像头去 监管工人的安全状况，比如说戴安全帽、火灾的 状况。那么如果不同的工地之间的数据能够打通 的话，这样的一个模型将是非常有效的，我们恰 恰把联邦学习用在这里。 联邦学习加上迁移学习也用在很多的领域。 这里要特别说明的是，建立这一系列联盟离不开 一个标准。因为这是多个企业之间在沟通，企业 之间一定要遵循同样的标准。所以我们一直在建 立一个 IEEE 的联邦学习国际标准。同时我们通 过和经济学教授合作，建立起一个公平的利益分 配机制，来帮助大家自愿地在这个联盟里使用联 邦学习。另外，我们还发布了世界上第一套联邦 学习开源软件。 总结一下就是，迁移学习是模仿人类举一反 三的能力，它有一整套的理论和工业应用的算 法，已经在各个方面得到了很好的印证。联邦学 习是我们正在进行的一项研究工作，它在合作、 建模的基础上引入隐私保护的概念，我们也期待 它在工业界将会有很大的应用发展。 作者简介： 杨强，教授，美国马里兰大学计算 机系博士和北京大学天体物理专业博 士，主要研究方向为人工智能: 迁移学 习、联邦学习、机器学习、数据挖掘和 自动规划，现担任微众银行首席人工 智能官 (CAIO)，为 AAAI，ACM，IEEE 和 AAAS 等国际学会的 Fellow，曾任 香港科技大学新明工程学讲席教授、计算机科学和工程学系 主任和华为诺亚方舟实验室主任。他是国际人工智能界“迁 移学习”和“联邦学习”技术的领军人物，于 2017 年当选为国 际人工智能联合会 (IJCAI，国际人工智能领域创立最早的顶 级国际会议) 理事会主席，是第一位担任 IJCAI 理事会主席 的华人科学家。 中文引用格式：杨强. 联邦学习：人工智能的最后一公里 [J]. 智能系统学报, 2020, 15(1): 183–186. 英文引用格式：YANG Qiang. Federated learning: the last on kilometer of artificial intelligence[J]. CAAI transactions on intelli￾gent systems, 2020, 15(1): 183–186. 新书介绍：联邦学习 在当前大数据驱动的社会环境下，数据隐私安全成为了全民探讨的重要议题。信息技术的发展，离不开 由我们在智能终端（手机及其他设备等）上产生或推断出的个人数据，如浏览习惯、点击频次等，来推动个性 化应用和服务的发展。尤其在 AI 领域，这一情况更为明显，依赖于持续的数据感知、收集，并上传至服务端 进行深度分析与训练，AI 才能迎来蓬勃发展。但底层未经审查、不透明的数据收集和聚合协议，很可能造成 严重的数据安全威胁和隐私风险。 要解决这样的困境，仅仅靠传统的机器学习方法已经出现瓶颈。我们需要一个既满足隐私保护和数据 安全，又可实施的解决方案——联邦学习。联邦学习希望做到各个企业的自有数据不出本地，而联邦系统 可以通过加密机制下的参数交换方式，即在不违反数据隐私法规情况下，建立一个虚拟的共有模型。这个 虚拟模型就好像大家把数据聚合在一起建立的最优模型一样。但是在建立虚拟模型的时候，数据本身不移 动，也不泄露隐私和影响数据合规，也就是“数据不动，模型动”。这样，建好的模型在各自的区域仅为本地 的目标服务。在这样一个联邦机制下，各个参与者的身份和地位相同，而联邦系统帮助大家建立了“共同富 裕”的策略，也就是“风险不增，效益增”。这就是为什么这个体系叫做“联邦学习”。 首部全面、系统论述联邦学习的中文著作《联邦学习》可以作为广大学习者入门和探究联邦学习的第 一本书。本书由杨强教授及其团队撰写，详细描述了联邦学习如何将分布式机器学习、密码学、基于金融规 则的激励机制和博弈论结合起来，以解决分散数据的使用问题。介绍不同种类的面向隐私保护的机器学习 解决方案以及技术背景，并描述一些典型的实际问题解决案例。 ·186· 智 能 系 统 学 报 第 15 卷