8月21日，IJCAI2023 可信联邦学习国际研讨会（FL-IJCAI’23）在第32届国际人工智能联合会议大会（IJCAI）期间于澳门举办。

现场参会人员热烈交流

(资料图片仅供参考)

重磅报告发布 洞悉联邦学习技术发展趋势

随着全球人工智能发展进入新一轮跃升期，联邦学习生态系统将迎来更加广阔的发展空间。在此背景下，清华大学计算机系唐杰教授在研讨会上重磅发布了《2023联邦学习全球研究与应用趋势报告》。该报告主要从技术研究、学者画像、主流框架、行业应用，以及发展趋势几大方面，全面深入地介绍联邦学习自2016年诞生以来到2022年的技术研究和应用进展，并展望该技术的未来发展方向与前景。

清华大学 唐杰教授

据唐杰教授介绍，本报告重点展示了联邦学习领域高技术质量与创新力的科研成果，例如，对在科研实践中具有较大影响力的高引论文及其作者的分析、对人工智能国际顶会的联邦学习专题研讨会中最佳论文的相关分析等，对大中华地区联邦学习领域的国家自然科学基金获批项目的分析、对大模型技术的联邦学习论文和专利的分析。通过对这些内容的详尽分析，以发掘更加丰富的联邦学习新方向和新探索。

专业观点荟萃 助推可信联邦学习生态发展

本届研讨会邀请加拿大工程院和皇家学院院士、香港科技大学讲席教授杨强致开场辞，并特邀五位领域专家进行精彩报告，从理论研究与实践前沿多维度共话可信联邦学习技术领域的未来发展路径。

香港科技大学 杨强教授

香港科技大学副教授宋阳秋发表题为《大型语言模型的隐私攻击》的主题演讲。宋阳秋教授介绍了当前存在的隐私攻击分类，在大型语言模型中的几种典型隐私攻击场景及抵御攻击的方法。

香港科技大学 宋阳秋教授

美国卡内基梅隆大学助理教授Virginia Smith 线上发表了《评估大规模学习系统》的主题演讲，分享了对大规模学习系统的评估方法，以及在联邦学习的分布式环境中如何进行效率优化、保护隐私以及提高稳健性等挑战。

美国卡内基梅隆大学(CMU) Virginia Smith教授

美国伊利诺伊大学厄巴纳-香槟分校(UIUC)助理教授李博线上接入，以《有保证的可信联邦学习》为主题，阐释了可信联邦学习作为机器学习、安全、隐私和博弈论的交叉点，如何设计可扩展的框架。

美国伊利诺伊大学厄巴纳-香槟分校(UIUC) 李博教授

联邦学习目前已在金融、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。因此，除了最新理论研究进展分享，会议还邀请了多位嘉宾，对行业实践成果进行介绍，以为联邦学习的行业应用提供标杆案例。

加拿大不列颠哥伦比亚大学助理教授李霄霄分享了《医疗保健中的联邦学习：克服数据异构性挑战》，介绍了联邦学习在医疗保健领域中的最新应用，以及如何在实践中应对数据异构性挑战。

加拿大不列颠哥伦比亚大学(UBC) 李霄霄教授

澳大利亚悉尼科技大学副教授龙国栋分享了《个性化联邦学习》。龙国栋教授从个性化联邦学习的定义、代表性方法，以及在推荐领域和可解释性方面最新的探索等方面分享了个性化联邦学习领域的前沿进展。

澳大利亚悉尼科技大学(UTS) 龙国栋教授

此外，本届研讨会还收录了19篇精彩论文，覆盖了性能与效率提升、数据安全保护机制、多方合作中的激励机制等可信联邦学习技术发展的核心议题。

精彩论文报告环节

瑞士联邦理工学院（EPFL）和哈佛大学的Ljubomir Rokvic、Panayiotis Danassis 、Boi Faltings的论文《Privacy-Preserving Data Quality Evaluation in Federated Learning Using Influence Approximation》获得“Best Paper（最佳论文）”奖项；浙江大学和索尼AI的Yuchen Liu、Chen Chen、Lingjuan Lyu的论文《Exploit Gradient Skewness to Circumvent Defenses for Federated Learni》以及牛津大学的Sahra Ghalebikesabi、Leonard Berrada等人的论文《Differentially Private Diffusion Models Generate Useful Synthetic Images》获得 “Best Student Paper（最佳学生论文）”奖项。

“Best Paper（最佳论文）”颁奖

“Best Student Paper（最佳学生论文）”颁奖

作为各类人工智能顶级学术会议的重要组成部分，可信联邦学习国际研讨会正吸引着更多目光，联邦学习也正从学术研究向产业领域加速渗透，为业界提供前瞻性的解决方案。本届IJCAI主会也安排了三场联邦学习专题Session ，邀请了18篇联邦学习相关论文的作者进行论文报告，凸显联邦学习领域有了长足发展。通过此次会议，来自世界各地专家学者进行了观点交流和碰撞，推动了联邦学习在全球范围内的深化发展，实现开放灵活的数据要素安全流通和知识共享。

（免责声明：此文内容为广告，相关素材由广告主提供，广告主对本广告内容的真实性负责。本网发布目的在于传递更多信息，并不代表本网赞同其观点和对其真实性负责，请自行核实相关内容。广告内容仅供读者参考。）