2023可信联邦学习国际研讨会：聚焦人工智能与数据安全

8月21日，澳门：IJCAI年度盛会与联邦学习技术前沿交汇

在第32届国际人工智能联合会议（IJCAI）期间，由清华大学计算机系唐杰教授主导的“可信联邦学习国际研讨会”在澳门成功举办，汇聚了全球人工智能领域的顶尖学者与实践者，共同探讨联邦学习技术的最新进展与未来趋势。

报告发布与趋势洞悉

• 唐杰教授发布《2023联邦学习全球研究与应用趋势报告》，全面回顾联邦学习自2016年诞生以来至2022年的研究成果与应用进展，深入解析技术研究、学者分布、主流框架、行业应用及未来发展方向，为联邦学习生态的持续发展提供了重要指引。

学术亮点与创新

报告特别关注高影响力论文与作者分析、联邦学习在国际顶会研讨会中的最佳论文研究，以及大中华地区国家自然科学基金项目在联邦学习领域的探索，展现了联邦学习领域在技术创新与应用实践上的活跃态势。

多元视角与前沿讨论

研讨会邀请了加拿大工程院与皇家学院院士、香港科技大学讲席教授杨强开场致辞，五位领域专家则围绕可信联邦学习的理论与实践展开深入讨论，涵盖隐私保护、大规模学习系统评估、有保证的可信联邦学习框架设计等多个关键议题。

• 宋阳秋教授探讨了大型语言模型的隐私攻击问题，分析了常见攻击类型、场景及其防御策略。
• Virginia Smith教授分享了评估大规模学习系统的方法，着重于联邦学习环境下的效率优化、隐私保护与稳定性提升。
• 李博教授以《有保证的可信联邦学习》为主题，阐述了联邦学习作为机器学习、安全、隐私与博弈论交叉领域的应用框架。
• 李霄霄教授讲解了医疗保健中的联邦学习实践，强调了克服数据异构性挑战的重要性。
• 龙国栋教授则介绍了个性化联邦学习的最新进展，特别是在推荐系统和可解释性方面的研究。

行业落地与学术交流

联邦学习技术已在金融、医疗、营销广告、智慧城市等领域得到广泛应用。研讨会不仅展示了理论研究的最新成果，还邀请行业实践者分享成功案例，旨在促进联邦学习技术的商业化应用。

• 李霄霄教授详细介绍了联邦学习在医疗保健领域的应用，及其在实践中的数据异构性挑战应对策略。
• 龙国栋教授则分享了个性化联邦学习在推荐系统和可解释性方面的前沿进展。

优秀论文与奖项表彰

研讨会还收录了19篇高质量论文，涵盖性能提升、数据安全、激励机制等关键议题。其中，《Privacy-Preserving Data Quality Evaluation in Federated Learning Using Influence Approximation》等论文因其创新性获得了“最佳论文奖”，而《Exploit Gradient Skewness to Circumvent Defenses for Federated Learning》等则荣获“最佳学生论文奖”。

开放合作与全球视野

此次研讨会作为IJCAI大会的重要组成部分，吸引了全球学者的广泛关注，促进了联邦学习技术在全球范围内的深入发展。通过观点的交流与碰撞，推动了数据要素的安全流通与知识共享，展现了联邦学习技术在保障数据隐私与促进技术创新方面的巨大潜力。

结语

可信联邦学习国际研讨会的成功举办，不仅彰显了联邦学习技术在人工智能领域的核心地位，也为全球学者提供了一个交流创新、共享智慧的平台，共同探索联邦学习的未来可能性，促进技术的广泛应用与社会价值的实现。