4月29 日晚 8 点，为你揭秘联邦学习背后数据可用不可见的奥秘

随着机器学习技术的不断发展和用户数据量的不断增多，如何在保障数据安全的同时实现平台间机器学习模型的协作训练成为了一个新兴话题。2016年，谷歌提出“联邦学习”（Federated Learning）技术，在保障大数据交换信息安全和数据隐私性的同时，实现多个计算节点或参与方的协作训练。

联邦学习又称联合学习，属于分布式机器学习范式，可以有效解决数据孤岛问题，并保证参与方在不共享数据的前提下进行模型训练。由于联邦学习不受到算法、领域或数据结构的限制，并且能够在保护隐私的同时保证模型无损，该技术在包括手机终端等各类设备、金融等多个领域都有很广泛的应用前景。

联邦学习包括多个数据源方和一个协作者，协作者作为第三方机构为数据源方提供公钥用于加密，并协助进行模型训练。通过此种训练方式，当不同企业间存在相似的用户特征时，即可通过联邦学习共同训练模型，提升模型效果。另外，联邦学习具有效果激励机制，提供数据更多的数据源方获得的模型效果更优，在保证企业合作的同时也保障了公平性。

联邦学习是怎么由来的？在业界能够解决哪些典型的业务问题？入门联邦学习是否有较高的门槛，需要哪些前置知识？本次大师课，富数科技联邦学习项目负责人陈立峰带你从零入门联邦学习概念和基础知识，了解业界联邦学习的最新实践和应用。

课程信息

主题：联邦学习——数据可用不可见的奥秘

时间：4月29日（周三）晚8点

地点：线上直播