首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往
  • 您找到你想要的搜索结果了吗?
    是的
    没有找到

    名校公开课预告 | 《从数据保护政策看技术与制度的互动式进步》

    关注腾讯云大学,了解行业最新技术动态 直播详情预告 简  介 信任在社会财富创造和经济增长中扮演重要角色,在网络连接的数字社会中更是如此。过去一百年的信息技术进步与制度回应的实践,让我们更加清晰地看到:构建数字社会的信任基石,需要在正式与非正式的信任机制之间形成凝聚互动,而不是仅仅依靠其中一种。单一强调伦理,则无法避免杀熟现象;完全依赖法规监管,便要承受抑制创新发展结果;技术万能论更是早已破灭。在下一代人工智能新兴技术领域中,我们也欣喜地看到技术与制度的良性互动,以联邦学习(Federated Learn

    03

    对话腾讯大数据团队:自研联邦学习系统的技术实践和难点

    作者 | 蔡芳芳 近两年,联邦学习发展迅速,开始从理论研究迈向批量应用的落地阶段,越来越多企业尝试引入联邦学习,用它来解决人工智能大规模落地过程中遭遇的数据瓶颈问题。但现成的联邦学习工具和框架并非拿来即用的“灵丹妙药”,联邦学习要真正在企业实际业务场景中发挥作用,仍有许多问题需要摸索,比如如何匹配业务的实际需求、如何兼容现有业务流程、如何尽可能减少对已有训练系统的改动等。为此,InfoQ 采访了腾讯 TEG 数据平台部的智能学习团队,深入了解联邦学习在腾讯的实践情况,以及他们对联邦学习技术难点的解决思

    03

    神盾首创非对称联邦学习,深度保障数据隐私

    导语:在过去的几年中,我们见证了大数据及人工智能技术的飞速发展,许多机构却依旧苦于数据数量少、质量低等难题而无法将前沿理论商业化落地。助力像石油般宝贵的数据突破隐私保护的条框限制并实现其价值的流通,对相关产业的发展起着至关重要的作用。在上一篇文章中,我们简要介绍了腾讯“神盾-联邦计算”平台的诞生背景和数据安全与隐私保护技术亮点。这次,我们着重选取本产品首推的“非对称联邦学习” (Asymmetrical Federated Learning, AFL) 范式进行介绍。该范式旨在全面保护数据集的样本ID、特征和标签的隐私安全,彻底解除在不平衡的 (unbalanced) 联邦计算系统中,中小企业对敏感用户ID泄露问题的担忧。

    01

    [腾讯云大数据]神盾首创非对称联邦学习,深度保障数据隐私

    导语:在过去的几年中,我们见证了大数据及人工智能技术的飞速发展,许多机构却依旧苦于数据数量少、质量低等难题而无法将前沿理论商业化落地。助力像石油般宝贵的数据突破隐私保护的条框限制并实现其价值的流通,对相关产业的发展起着至关重要的作用。在上一篇文章中,我们简要介绍了腾讯“神盾-联邦计算”平台的诞生背景和数据安全与隐私保护技术亮点。这次,我们着重选取本产品首推的“非对称联邦学习” (Asymmetrical Federated Learning, AFL) 范式进行介绍。该范式旨在全面保护数据集的样本ID、特征和标签的隐私安全,彻底解除在不平衡的 (unbalanced) 联邦计算系统中,中小企业对敏感用户ID泄露问题的担忧。

    014

    云点播视频上传加速方案,提高上传质量,速度提升60%!

    随着互联网的发展,来自用户的音视频媒体上传体量日益增加,媒体上传的速度正在成为影响用户体验的关键因素。由于用户所在地的网络基础设施、网络环境等因素的差异,上传可能会出现速度缓慢、网络抖动或丢包等问题。用户媒体上传依然有很多痛点问题需要解决。 长距离传输质量不稳定 国内主流云服务提供商在北京、上海、广州等城市部署了存储中心,腾讯云也是如此。在业务实践中,不可避免会出现终端用户与存储中心距离间隔太远的场景,例如,对于新疆乌鲁木齐的用户而言,最近的存储中心在约3000公里外的成都。对于印尼这类群岛国家,边缘岛屿的

    02
    领券