科研成果累累 平安科技联邦学习技术团队论文被EMNLP2020收录【欧冠买球官方】

欧冠买球入口

欧冠买球官网-最近备受瞩目的一年一度的全球学术大会EMNLP2020是平安科学技术联邦学习技术小组的论文《Empirical Studies of Institutional Federated Learning For Natural Language Processing》 (联邦学习框架中自然语言处理模式的实证研究)在自然语言处理(NLP )方向的国际学术会议EM NLP 200 全球学术大会EMNLP是计算机语言学和自然语言处理领域最受瞩目的国际学术会议之一,由国际语言学会(ACL )的SIGDAT组织。 其中,会议涵盖的语义理解、文本理解、信息提取、信息检索和机器翻译等诸多技术主题是当前学术界和工业界关注的热点方向。 近年来,平安科学技术联邦学习技术小组已经取得了很多表示度和独创的科研成果,这次发表的这篇论文也是在业界发表的联邦学习框架下实现NLP模型训练的创新性研究成果,联邦学习小组通过咳嗽检查COVID-19知识行业内联邦学习NLP模型的重磅发表联邦学习为深度学习提供了看不到数据利用的训练方式,在深度学习领域掀起了新的热潮。 利用很多训练样本,深度学习几乎可以学习任意任务的数学模型。

但是,由于用户隐私政策、数据限制的限制,很多数据被碎片化保存在不同机构的数据库中,传统的深入学习方法无法训练这样的数据,联邦学习是为了解决这样的数据孤岛问题而产生的差分隐私保护的联邦学习系统架构图(图中不同灰度的背景色代表不同的安全边界)随着新的训练方法和计算硬件的发展,联邦学习被应用于越来越多的图像、语音、文本等数据的任务训练中在论文中,小组成功地在支持GPU的服务器集群中引入了联邦自然语言处理网络。 以常用的NLP模型TextCNN为例,展示了联邦学习在自然语言处理领域的应用可能性。 小组还引入了在联邦网络训练过程中可以管理的差分隐私技术,有效地保护了联邦学习参加者的数据安全(参见图1 )。 与现有的客户端级隐私保护方案不同,小组提出的差分隐私在数据集样本级别定义,这与目标场景——机构之间的联邦合作训练一致。

通过综合大量实验分析,小组研究了联邦学习框架下TextCNN模型超参数的优化设置,评价了在非均衡数据负载情况下,差分隐私要求对联邦TextCNN模型性能的影响。 蜂巢联邦智能平台人工智能的发展必须利用大数据技术。

大数据促进了科学技术的发展,但大数据中的隐私问题是不可忽视的问题。 如何有效解决当前人工智能领域发展的课题? 联邦学习已成为目前最受欢迎的技术研究方向之一。 在此背景下,平安科技联邦学习技术团队自主开发了蜂巢联邦智能平台,成功解决了当前的数据课题和隐私保护。

蜂巢联邦智能平台的示意图是横向纵向模型,为了打破数据孤岛在实际数据运用中,即使在同一公司内的不同子公司和部门也需要保护数据的隐私。 以平安集团为例,平安的财险和人寿保险各有不同维度的用户数据,但很难直接整合数据进行模型化。 从“蜂巢”的最初架构设计开始,平安技术认为平安集团的各主干业务线和子公司之间存在数据壁垒。

同样的“数据不通”,在企业和企业、企业和政府之间,各个机构都有自己的数据,但由于隐私保护等理由,企业和政府的数据不能向外部共享。 平安科学技术联邦学习技术团队开发的联邦智能平台蜂巢是解决企业数据孤岛问题的商用级解决方案。
这可以使参加者不共享原始数据而共同建模,在技术上打破数据孤岛,从而整合标签数据,丰富用户图像的维度,整体提高模型的效果,实现AI协作。

不同行业对数据加密的要求不同,银行领域对数据加密的要求不断提高。 平安科技是支持少数国密级加密的企业平台,可以满足企业各场景的不同需要。 将来平安科学技术将继续深耕技术,帮助企业在数据融合和隐私保护方面实现进一步的突破。 平安科学技术深耕了人工智能领域,这次平安科学技术联邦学习技术小组在EMNLP 2020论文中被采用,表示得到了国际认可。

官方入口

作为AI领域的尖端探险家,平安科学技术用更先进的科学技术推进生态发展,创造更大的价值。。

本文来源:欧冠买球官方-www.2timesmore.com