欢迎来到 ror体育app官网

足球攻略
您当前的位置:ror官网 > 足球攻略 > ror体育手机app下载:MobTech探索联邦学习应用 打破数据孤岛及隐私安全问题

ror体育手机app下载:MobTech探索联邦学习应用 打破数据孤岛及隐私安全问题

编辑: 发布时间:2021-07-14 作者:admin 浏览:1921次


1 月 4 日至 5 日,ECUG For Future(以下简称:ECUG) 2020 开年首场技术峰会在杭州成功举办。MobTech数据挖掘专家、MobAl算法专家林淼哲参与大会,并作为分享嘉宾带来人工智能领域的实战经验之谈。

据悉,ECUG技术大会是由ECUG社区主办一年一度的技术盛会。每年会有众多领域内权威技术大神纷纷报名参与。自 2007 年起发起至今已迈入第 13 个年头,集结了一批具有高端视角并仍醉心于技术本身的同仁,共同关注云计算前沿技术的新成果和分布式开发、运维的实践。

本次大会围绕高可用架构、区块链、大数据平台、人工智能、运维与容器五大主题展开。会上,MobTech数据挖掘专家、MobAl算法专家林淼哲带来《多方安全机器学习框架——联邦学习》主题分享中,赢得现场来宾的高度关注。

为应对数据隐私保护难题以及打破数据孤岛的现实困境,同时满足市场对数据联合融合使用的迫切需要,林淼哲结合MobTech为金融企业提供风控服务中遇到的困境,是如何利用最领先的联邦学习应用简化数据融合流程,同时保障数据安全的隐私问题展开分析。

分享中,他通过三个维度诠释MobTech在使用联邦学习应用后,为平台创造的价值及机遇。

挖掘联邦学习应用具有广阔的前景

联邦学习作为一种在数据隐私保护下面对数据孤岛的行业现实的,人工智能应用解决方案,在当今个人信息保护强监管环境下,无疑有着广阔的前景。

通过实际应用后,开发人员可利用技术手段破解数据隐私保护难题,在隐私、安全和监管要求下,让人工智能算法,更加高效、准确地共同使用各自的数据。

传统多方安全计算方法的特点

在建模中需要经过一系列的处理比较,例如四则运算、N方运算的协议(ABY)等,并且仅能在计算层面进行保护,需要多次交互实现,同时需要额外大量的计算输出,耗时耗力。

机器学习的多方安全做法的特点

联邦学习应用中针对机器学习特定场景,对信息层面进行保护,并叠加传统的多方安全手段,使得数据隐私的安全得到保护,确保数据足不出户。

林淼哲表示,联邦学习融合了多种成熟技术,创造了更多新型的高效解决方案。作为一种保障数据安全和隐私的建模方法,在各行业中的应用前景很广泛,特别针对金融、新零售领域行业。

MobTech作为全球领先的数据智能科技平台,依托全球领先的开发者服务平台,拥有稳定的大数据资源。未来,平台将基于联邦学习应用在商业化产品服务上,深度挖掘企业方数据价值,实现企业用户数据积累的价值输出。同时,利用更便利更快捷更安全的建模处理方式,为企业方提供优质高效的服务。