北京時間2月9日，國際人工智能頂級學術會議——2021年度AAAI會議（線上形式）順利閉幕。同日，AAAI 2021收官議程之一——“健壯、安全、高效的機器學習”國際研討會召開。本研討會由國內首家互聯網銀行微眾銀行與南洋理工大學、加州大學伯克利分校、麻省理工學院等聯合主辦，邀請了多位世界頂尖科學家及從業者探討了當前AI產業化的熱點話題，并形成了豐富的學術成果。
本屆AAAI大會主席、微眾銀行首席人工智能官楊強教授出席研討會并開幕致辭。楊強教授表示，近年來，在眾多人工智能應用場景中，對隱私保護的重視程度越來越高。市場需求的驅動之下，機器學習、遷移學習、聯邦學習等技術在全球得以蓬勃發展，在保護數據安全性方面，這些技術已成為人工智能產業化過程中的基礎建設。此次AAAI主會就收錄了相當多相關論文，而研討會收錄了來自世界各地的最新成果論文投稿20篇，這些論文主要圍繞機器學習的安全性和魯棒性、聯邦學習、隱私保護、計算效率等主要議題。
加州大學伯克利分校Kurt Keutzer教授，京東大數據首席科學家、匹茲堡大學黃恒教授作為特邀嘉賓作主題演講。研討會同時還設置了三場技術講座，并與參會者進行了在線互動。
加州大學伯克利分校Kurt Keutzer教授以《Efficiency is the Key to Privacy (and Security)》為主題作開場演講。Kurt Keutzer的主要研究方向為深度學習中的計算問題。在演講中，他認為，針在私人數據使用中需要兼顧提供服務與隱私保護兩者間的平衡，與語音、視頻等相關的本地個人數據處理似乎是確保安全和隱私的唯一完全有效的方法。但是，在不訪問云端的情況下執行這些計算需要對學習算法的效率進行重大改進。
議程隨后進入首場技術講座和在線互動，Alberto Matachana、Kenneth Co、Luis Muñoz-González、David Martinez 和Emil Lupu等幾位專家的研究成果探討了“通用攻擊對壓縮模型的魯棒性和可轉移性”。Yi Zhu、Yiwei Zhou、Menglin Xia等學者介紹了如何生成語義的有效對抗性。
京東大數據首席科學家、匹茲堡大學黃恒教授在第二場主題演講標題為《Vertical Federated Kernel Learning》，演講結合京東電商平臺的實戰經驗，生動闡釋了如何在保持傳統機器學習算法數據私密性的同時，有效地應用垂直特征分類的數據。他表示，縱向聯邦學習已被用于解決此類情況，并取得了良好效果。但是，大多數現有的縱向聯邦學習方法都是線性模型，為了提高預測性能，該研究將重點放在內核的非線性學習上，并針對垂直分割的數據提出了一種聯邦雙隨機內核學習（FDSKL）算法，以保證數據安全。
線上研討會氣氛熱烈、議程緊湊。在第二場技術講座和交流中，Shuhao Fu、Chulin Xie、Bo Li及Qifeng Chen、Chang Song、Elias Fallon 、Hai Li的論文圍繞“基于殘差權重的抗攻擊聯合學習”及“提高權重量化神經網絡的對抗魯棒性”兩個前沿技術話題與參會者一起進行了討論。高密度、高專業價值、多角度的嘉賓發言，展示出了當前國際AI技術領域較為全面的學術觀點。
第三場技術講座討論了強化學習和編碼學習，Xiaoyang Wang、Bo Li、Jacky Zhang、 Bhavya Kailkhura 、Klara Nahrstedt、Nasser Aldaghri、Hessam Mahdavifar 、Ahmad Beirami等多位研究者的論文引發了熱烈的討論。
機器學習是人工智能的核心。聯邦學習、深度學習、遷移學習等作為子分支和機器學習的最新研究方向，既是一種技術，又可視為一種商業模式。尤其近年來，在人工智能產業化加速的過程中，各國均投入了巨大的科研成本，以期搶占“制高點”。國外如加州伯克利分校、南洋理工大學等名校及科研機構，谷歌、亞馬遜、Facebook、微軟等科技公司，紛紛展開研究和場景落地；國內如中科院、清華大學、同濟大學等科研院所，微眾銀行、京東、百度等公司持續推動，機器學習技術的產業落地生態已進入“百家爭鳴、百花齊放”的繁榮期。
自國內首次提出“聯邦學習”概念，微眾銀行、騰訊、京東等公司牽頭建立相關行業標準、成立相關行業協會，積極探索并將聯邦學習應用于金融、醫療、生物制藥等領域。如本次研討會的主題設定，以“健壯、安全、高效”為特點的機器學習、聯邦學習已經成為全球AI產業化的“基礎設施”和行業共識。
