在數字經濟高速增長的背景下，特別是伴隨著“數據二十條”政策的實施，人工智能的可信度和安全性以及數據應用方法已經成為了工業界和學術界的關注焦點。
為了研究如何在數據隱私保護等受限場景下優化人工智能技術的應用效果，并探尋可信人工智能在更廣泛領域的實際應用，中國自動化學會聯合聯邦數據與聯邦智能專業委員會（籌）將以“聯邦智能及應用”為主題，于2023年5月13日-5月14日在北京·中國科學院自動化研究所舉辦2023年度第1期『智能自動化學科前沿講習班』。
此次講習班由中國石油大學教授，山東省可信人工智能生態實驗室主任張衛山老師和北京市大數據中心數據管理部負責人賈曉豐博士共同擔任學術主任，邀請業界6位知名專家作主題報告，深入探討可信人工智能技術的前沿進展，并分享其在工業領域的落地應用案例，旨在激發講習班人員的思維，以便更好地應對未來人工智能發展的挑戰。
主題：聯邦智能及應用
時間：2023年5月13-14日
地點：中國科學院自動化研究所智能化大廈三層第二會議室
（北京市海淀區中關村東路95號智能化大廈）
*本期講習班限報名40人，根據繳費先后順序錄取，報滿為止；報名方式請看文末！
日程概覽
5月13日上午
報告題目：工業數據基礎制度建設思考與實踐
講者：田野，中國工業互聯網研究院副總工程師兼網絡所所長
摘要：在數字經濟高速增長的背景下，特別是伴隨著“數據二十條”政策的實施，數據基礎制度的建設已經成為工業界和學術界的關注焦點。如何建立完善的數據產權、流通交易、收益分配、安全治理制度，已引起社會各界專家學者的關注。“數據二十條”將數據分為公共數據、企業數據和個人數據。深度挖掘、分析、利用企業數據的價值，提高企業參與意愿，解決工業數據分散問題，對建設工業數據基礎制度具有重要的意義。社會各界廣泛開展工業數據基礎制度建設探索，加強工業數據專區地方工作站與中國工業數據專區協同發展，為彼此發展相互賦能。
報告題目：壓縮數據直接計算數據庫技術應用
講者：張峰，中國人民大學副教授
摘要：當今快速增長的數據量在空間使用和計算時間方面對現代數據管理和分析提出了緊迫的挑戰。本研究聚焦壓縮數據直接計算的方法與系統問題，希望從空間和時間維度解決這一系列問題。我們從三個方面開展研究并取得階段性進展：（1）基于語法規則的壓縮數據直接計算模型，主要思路是利用語法規則對數據進行描述，并將對數據的管理與分析操作轉化為對語法的解釋與修改；（2）新硬件壓縮數據直接計算加速與優化技術，提出了面向GPU的并行壓縮數據直接計算方法，針對大規模眾核資源調度等問題，在保證核與核之間數據一致性的前提下，極大提升了數據處理效率；（3）針對不同大數據系統的壓縮數據直接計算嵌入機制，將數據壓縮方案集成到不同系統，包括機器學習負載等。本報告將對目前成果進行匯報，并對未來研究進行展望。
5月13日下午
報告題目：城市空間數據流通關鍵技術探究
講者：屈克，華為2012實驗室中央研究院技術領軍
摘要：城市數據空間是一個基于城市地理范圍的，主要由城市公共數據組成的數據空間。城市公共數據蘊藏著巨大的經濟和社會價值，引領城市數據要素市場的發展，因此打通城市內公共數據可信流通對于城市發展乃至國家整體的數據要素市場而言，重要性是毋庸置疑的。本報告從數據分層治理、數據使用控制、數據隱私保護等關鍵技術入手，分析探究城市空間內數據可信流通的技術訴求和發展趨勢。
報告題目：面向社會治安防控復雜場景的數據智能應用
講者：畢嚴先，社會安全風險感知與防控大數據應用國家工程研究中心副主任，中國電子科學研究院公安事業部總經理
摘要：圍繞社會治理與公共安全領域的復雜場景，基于多源異質數據構建數據模型與算法倉，解決公共安全基層一線的痛點，將從應用場景、數據分析、算法模型構建、工程方法實施路徑等方面介紹相關實踐成果。
5月14日上午
報告題目：面向數據孤島問題的高效能高安全聯邦學習系統研究
講者：馬汝輝，上海交通大學計算機系副研究員
摘要：隨著人工智能大數據及物聯網的發展，人們所能獲取到的數據越來越豐富，但是這些數據由于隱私性考量，無法直接被共享出來，進而導致數據利用率較低，無法作用這些數據進行聯合模型的訓練。聯邦學習通過在訓練過程中只傳輸模型更新數據，進而防止數據的直接泄漏，并保障系統能夠利用模型更新完成聯合訓練任務。然而，隨著聯合訓練要求的提升，聯邦學習中新的問題也不斷浮現，包括聯邦學習效率、聯邦學習安全性及聯邦學習適用性三大方面。
聯邦學習效率方面，本團隊以減少計算傳輸量及并行算法來提高訓練效率。我們設計了層次化模型壓縮算法，根據模型參數絕對值大小提取重點訓練參數并壓縮低影響參數的訓練需求，同時采用重要度評估參數更新重要性，以此提取需要傳輸的模型更新，成果被IEEE TCDS接收。我們設計了自動并行算法，通過對并行場景建模后，利用啟發式算法對并行方案進行優化，以此提高數據并行和流水線并行效率，減少模型訓練及模型推理延遲，成果被IEEE JSAC及IEEE TOMM接收。
聯邦學習安全方面，本團隊針對客戶端拜占庭攻擊及不可信第三方服務器均進行了研究。我們設計了雙端聯合檢測方案， 通過客戶端訓練前預警及服務器端接收預警后的判別，協同排除了拜占庭攻擊對整體訓練效果的影響，成果被ACM SoCC 2021和IEEE TDSC接收。同時，我們利用區塊鏈系統，替代了傳統聯邦學習的服務器，以提供可信的聚合平臺和追溯能力，同時針對性設計了半中心化聯邦學習框架以更好的利用區塊鏈系統帶來的可信性，同時提高訓練效率，成果被IET Software及計算機研究與發展期刊接收。
聯邦學習適用性方面，本團隊設計了適應性訓練方案及個性化訓練模式以應對訓練場景中的統計異構性和系統異構性。我們設計了適應性掩碼矩陣，以區分訓練參數中的全局信息和個性化信息，保證訓練過程中能夠在全局聚合獲取全局信息時，盡可能保證個性化信息的完整性，防止聚合帶來的本地準確度下降，成果被AAAI 2023接收。我們設計了基于標簽蒸餾的跨域聯邦學習方案，通過聚合標簽信息來代替模型參數聚合，在模型間交換全局信息的同時防止不同域模型聚合破壞本地模型準確度，成果被IEEE TCE接收。我們設計了基于自蒸餾的模型大小匹配算法，根據不同設備不同客戶端的計算及傳輸能力，適應性的調整本地模型大小及本地訓練量，以保障客戶端可用性及整理訓練效率，成果被IEEE Network及IEEE TOSN接收。
報告題目：聯邦學習的挑戰
講者：吳方照，微軟亞洲研究院高級研究員
摘要：聯邦學習是一種面向隱私保護的機器學習框架，可以在不收集用戶數據的情況下進行AI模型的協同訓練，實現隱私數據的“可用不可見”。然而聯邦學習在實際應用中存在諸多嚴峻挑戰，如模型的本地訓練和與服務器的頻繁交互使得用戶端的計算和通信開銷十分巨大、本地數據和設備的異構性會影響模型性能、上傳的模型更新存在隱私風險、訓練的過程易受攻擊等。本報告將分享我們在構建更加高效、準確和可信賴的聯邦學習上的研究和思考，包括提高聯邦學習的計算和通信效率、解決聯邦學習數據和設備的異構性、增強聯邦學習的隱私保護能力和安全性等。
報名及注冊費
1、本期講習班限報40人，根據繳費先后順序錄取，報滿為止；
2、2023年05月12日(含)前注冊并繳費:自動化學會會員1200元/人，非會員1500元/人（凡注冊即可成為學會會員，并免一年會費），現場繳費:會員1500元/人，非會員2000元/人 (包含提前報名現場繳費、現場報名現場繳費);在校生參會可享受學生優惠價格800元/人；
3、同一單位3人及以上團體報名，按會員標準繳費；
4、點擊鏈接或掃描二維碼進行注冊報名：
https://www.cacpaper.com/register/67/user/preRegist
聯系人：屈老師/田老師
電話：010-82544541/17600403526
郵箱：caa@ia.ac.cn/yonglin.tian@ia.ac.cn
