人工智能未来新方向——年轻人眼中的“联邦学习”

从2016年首次概念提出，到如今在各行业开始落地应用，从开源框架到国内国际标准陆续制定出台，能在保证数据隐私安全基础上，实现共同建模，提升AI模型的效果的“联邦学习”成为近两年来受到各方关注的人工智能新方向。在联邦学习的生态建设中，有这样一群人值得关注，他们充满创新与活力，拥有好奇心与想象力，为未来赋予无限想象。

在8月26日刚落幕的微众银行首届金融科技高校技术大赛上，来自北京大学及加州大学圣地亚哥分校的两位学子凭借其基于联邦学习技术及工业级开源框架FATE完成的作品 “联邦微车险——基于横向联邦学习和5G技术的个性化车险定价方案”斩获冠军，为联邦学习探索更多应用场景提供了新思路。

冠军团队的两位成员章逸佳及杨林彬在接受采访时，分享了年轻一代对于联邦学习这一新方向的研究与探索，以及更多关于FATE的期望与设想。

在极具前景的金融领域挖掘联邦学习新应用

在过往学习中，两位学子已初步接触过联邦学习概念，而通过此次大赛中系统性接触联邦学习，他们发现其在权益产品定价方面极具优势，因为联邦学习能保护数据隐私，一些之前定价时不能被考虑的因素可以被纳入考虑，从而使定价更精准合理。

在进一步研究金融相关服务后，两位学子确定了这一项目方向，据章逸佳讲：“5G和车联网时代到来，能带来大量的车辆和用户行为数据，作为车险定价的参考。而基于联邦学习能够实现数据不出本地前提下联合建模的这一特性，项目思路顺势而生，目的是在车联网数据不出本地的情况下，实现多辆车之间的横向联邦建模，用建模结果对用户进行车险保费精准定价。”

首个可视化联邦学习开源框架为创新插上翅膀

优秀的项目创意也需要好的工具与严谨的精神加以实现，据悉，在比赛过程中，两位学子使用了FATE框架进行多方的横向联邦建模。作为全球首个联邦学习的工业级开源框架，FATE提供了一个安全的计算框架以支持联邦学习算法。它实现了基于同态加密和多方计算的安全计算协议，并支持联邦学习架构与各种机器学习算法的安全计算，包括逻辑回归和梯度提升树等经典 ML 算法，也包括深度学习和迁移学习等前沿研究。

杨林彬表示，FATE的版本更新让人惊喜，如新发布的FATE 1.0中standalone有一个docker安装版本，为部署整体框架节省了很多时间。此外，新增的FATEFLOW和FATEBOARD这两大组件。FATEFLOW把联邦建模流程进行打包，FATEBOARD把建模可视化，也进一步提升了整体建模的流畅度及体验。期待下一次FATE版本迭代带来的更佳体验。

面向未来的新技术，联邦学习及FATE未来可期

作为微众银行首届金融科技高校技术大赛的冠军团队，两位学子对联邦学习及FATE有许多构想，他们相信在数据隐私保护趋严、数据安全越来越被重视的今天，联邦学习会发挥日益重要的作用，而FATE框架语言则还可以实现更多模型，支持更丰富的算法，从而应用在不同的场景中。

在采访的最后，章逸佳提到，联邦学习能够实现数据不出本地前提下的联合建模，有效保护用户的隐私和数据安全；而FATE则正好为大家提供了一个进行联邦学习的平台。当数据量继续增加、人们对数据安全更加重视，相信在未来两者会相辅相成，给开发者带来更多便利。

可以预见，在以后会有越来越多以高校学子为代表的年轻一代投入联邦学习研究及FATE开源项目中。大会颁奖嘉宾、微众银行首席人工智能官杨强教授表示：一个有活力的开源生态离不开有志向的青年人的贡献，一个极具未来前景的前研技术才能受到高校青睐。期待越来越多的高校学子及企业机构深耕联邦学习技术，实现数据安全合规下的人工智能应用落地。