内容来源:华为开发者大会2021 HMS Core 6 AI技术论坛,主题演讲<MindSpore联邦学习框架解决隐私合规下的数据孤岛问题>. 演讲嘉宾:华为MindSpore联邦学习工程师 大家都知道,人工智能的发展离不开广泛的数据支撑.数据是基础,也是关键.但行业中小规模.碎片化,亦是大规模.高质量的数据都很难获取,涉及到工程.监管和隐私合规多方面的问题.这也就导致人工智能产业面临数据孤岛挑战,比如企业获得用户数据越来越难.企业内不同部门数据难合作.同行业企业数据难以共享.跨行业数据难以发

参考:https://github.com/webankfintech/fate https://www.fedai.org/#/ 一.Docker Standalone 安装 FATE $ sh build_standalone_docker.sh FATE $ CONTAINER_ID=`docker run -t -d fate/standalone` FATE $ docker exec -t -i ${CONTAINER_ID} bash There are a few algorit

联邦学习简介        联邦学习(Federated Learning)是一种新兴的人工智能基础技术,在 2016 年由谷歌最先提出,原本用于解决安卓手机终端用户在本地更新模型的问题,其设计目标是在保障大数据交换时的信息安全.保护终端数据和个人数据隐私.保证合法合规的前提下,在多参与方或多计算结点之间开展高效率的机器学习.其中,联邦学习可使用的机器学习算法不局限于神经网络,还包括随机森林等重要算法.联邦学习有望成为下一代人工智能协同算法和协作网络的基础. 联邦学习的系统构架       以包

http://geek.csdn.net/news/detail/139235 说到近期的深度学习框架,TensorFlow火的不得了,虽说有专家在朋友圈大声呼吁,不能让TensorFlow形成垄断地位,但对于开发者来说,该学的东西还是要学的. 今天的播报涉及三篇TensorFlow相关技术文章.若您想要了解更多,点击题目(蓝色大字)阅读原文. 一.从TensorFlow到Theano:横向对比七大深度学习框架 在深度学习项目开始前,选择一个合适的框架是非常重要的事情.最近,来自数据科学公司 S

近日,微众银行联邦学习FATE开源社区迎来了两位新贡献者——来自腾讯的刘洋及秦姝琦,作为云计算安全领域的专家,两位为FATE构造了新的功能点,并在Github上提交修复了相关漏洞.(Github项目地址:https://github.com/FederatedAI/FATE )从FATE的面世,到贡献者激励制度的推出,参与开源社区建设的数据安全行业从业者不断踊现,FATE在业内的关注度.价值认可度逐步提升,联邦学习生态正进一步深化及拓展. AI时代数据安全问题严峻,联邦学习是必经解决路径 人工智

雷帝网 乐天 10月17日报道 比特大陆今日正式发布终端人工智能芯片BM1880,一同发布的还有基于云端人工智能芯片 BM1682 的算丰智能服务器 SA3.嵌入式AI迷你机 SE3.3D 人脸识别智能终端以及基于 BM1880 的开发板.AI模块.算力棒等产品. 比特大陆产品战略总监汤炜伟表示,比特大陆云端人工智能芯片以9个月的速度快速迭代,基于芯片的相关产品在实际运行中表现良好,合作正在广泛展开,很多安防项目持续落地. "同时,由于目标市场应用需要端云一体化的 AI 解决方案,为了更好地满足

DIGITS: Deep Learning GPU Training System1,是由英伟达(NVIDIA)公司开发的第一个交互式深度学习GPU训练系统.目的在于整合现有的Deep Learning开发工具,实现深度神经网络(Deep Neural Network,DNN)设计.训练和可视化等任务变得简单化.DIGITS是基于浏览器的接口,因而通过实时的网络行为的可视化,可以快速设计最优的DNN.DIGITS是开源软件,可在GitHub上找到,因而开发人员可以扩展和自定义DIGITS. Gi

数据孤岛.数据隐私以及数据安全,是目前人工智能和云计算在大规模产业化应用过程中绕不开的“三座大山”. “联邦学习”作为新一代的人工智能算法,能在数据不出本地的情况下,实现共同建模,提升AI模型的效果,从而保证数据隐私安全,突破数据孤岛和小数据的限制,这无疑成为了跨越“三座大山”的途径之一.因此,作为联邦学习全球首个工业级开源项目,FATE也受到了各方关注,开发者们对加入社区建设纷纷表示期待.(FATE开源社区地址:https://github.com/FederatedAI/FATE) 而在贡献

20 个顶尖的 Python 机器学习开源项目 机器学习 2015-06-08 22:44:30 发布 您的评价: 0.0 收藏 1收藏 我们在Github上的贡献者和提交者之中检查了用Python语言进行机器学习的开源项目,并挑选出最受欢迎和最活跃的项目.” 图1:在GitHub上用Python语言机器学习的项目,图中颜色所对应的Bob, Iepy, Nilearn, 和NuPIC拥有最高的价值. 1. Scikit-learn www.github.com/scikit-learn/scik

腾讯 Angel PowerFL 联邦学习平台 联邦学习作为新一代人工智能基础技术,通过解决数据隐私与数据孤岛问题,重塑金融.医疗.城市安防等领域. 腾讯 Angel PowerFL 联邦学习平台构建在 Angel 机器学习平台上,利用 Angel-­PS 支持万亿级模型训练的能力,将很多在 Worker 上的计算提升到 PS(参数服务器) 端:Angel PowerFL 为联邦学习算法提供了计算.加密.存储.状态同步等基本操作接口,通过流程调度模块协调参与方任务执行状态,而通信模块完成了任务训

摘要:随着边缘设备数量指数级增长以及设备性能的提升,边云协同机器学习应运而生,以期打通机器学习的最后一公里. 本文分享自华为云社区<支持边云协同终身学习特性,KubeEdge子项目Sedna 0.3.0版本发布! >,原文作者:技术火炬手 . 1.当前机器学习落地挑战 当前机器学习落地有哪些问题? 近二十年来,机器学习已广泛应用于数据挖掘.计算机视觉.自然语言处理.生物特征识别.搜索引擎.医学诊断.检测信用卡欺诈.证券市场分析.DNA序列测序.语音和手写识别.战略游戏和机器人等领域. 在实际业

这是一个新开的每周六定期更新栏目,将本周arxiv上新出的联邦学习等感兴趣方向的文章进行总结.与之前精读文章不同,本栏目只会简要总结其研究内容.解决方法与效果.这篇作为栏目首发,可能不止本周内容(毕竟欠账太多了). 量化 A. T. Suresh, Z. Sun, J. H. Ro, and F. Yu, "Correlated quantization for distributed mean estimation and optimization," arXiv:2203.0492

Caffe是一个清晰而高效的深度学习框架,其作者是博士毕业于UC Berkeley的 贾扬清,目前在Google工作.本文是根据机器学习研究会组织的online分享的交流内容,简单的整理了一下. 目录 1.caffe分享 1.1.caffe起源 1·2.caffe介绍 1.3.caffe其他方向 2.讨论 2.1.caffe算法与结构 2.2.caffe工程与应用 2.3.模型训练与调参 2.4.caffe与DL的学习与方向 2.5.其他 3.附录 1.caffe分享 我用的ppt基本上和我们在

使用卷积神经网络(CNN)架构的深度学习(DL)现在是解决图像分类任务的标准解决方法.但是将此用于处理3D数据时,问题变得更加复杂.首先,可以使用各种结构来表示3D数据,所述结构包括: 1  体素网格 2   点云 3  多视图 4  深度图 对于多视图和深度图的情况,该问题被转换为在多个图像上使用2D CNN解决.通过简单定义3D卷积核,可以将2D CNN的扩展用于3D Voxel网格.但是,对于3D点云的情况,目前还不清楚如何应用DL工具.但是之前也已经有几种解决办法了,具体可以参看 htt

机器之心报道 本文首先介绍GitHub中最受欢迎的开源深度学习框架排名,然后再对其进行系统地对比 下图总结了在GitHub中最受欢迎的开源深度学习框架排名,该排名是基于各大框架在GitHub里的收藏数,这个数据由MitchDeFelice在2017年5月初完成. TensorFlow 地址:https://www.tensorflow.org/ TensorFlow最开始是由谷歌一个称之为DistBeliefV2的库发展而来,它是一个公司内部的深度神经网络库,隶属于谷歌大脑项目.有一些人认为Te

Amazon公司的Werner Vogels于上周宣布Amazon深度学习框架将会正式选用MXNet,并且AWS将会通过增加源代码贡献.改进文档以及支持来自其它框架的可视化.开发以及迁移工具,为实现MXNet成功的长远目标做出贡献. Vogles指出在欺诈检测.推荐流水线.库存和产品检查审计等领域,有一系列无法通过编写显式算法实现的计算任务,对此问题一类被称为深度学习的机器学习方法正日益发挥重要作用,此外,在内容搜索.自主无人机.订单履行中心机器人.文本及语音识别等领域中也广泛地使用了机器学习方

引子 Nebula Graph 的技术总监在 09.24 - 09.30 期间同开源中国·高手问答的小伙伴们以「图数据库的设计和实践」为切入点展开讨论,包括:「图数据库的存储设计」.「图数据库的计算设计」.「图数据库的架构设计」等方面内容,本文整理于他和开源中国小伙伴对图数据库的讨论内容~ 嘉宾·陈恒介绍 陈恒,开源的分布式图数据库 Nebula Graph 技术总监,图数据库领域专家 & HBase Committer.北京邮电大学硕士,曾就职于蚂蚁金服.猿题库.网易等公司,一直从事基础设施相

本文链接:https://blog.csdn.net/Sinsa110/article/details/90697728代码微众银行+杨强教授团队的联邦学习FATE框架代码:https://github.com/WeBankFinTech/FATE谷歌联邦迁移学习TensorFlow Federated (TFF)框架代码:https://www.tensorflow.org/federated/论文Towards Federated Learning at Scale: System Desi

随着大数据和AI业务的不断融合,大数据分析和处理过程中,通过深度学习技术对非结构化数据(如图片.音频.文本)进行大数据处理的业务场景越来越多.本文会介绍Spark如何与深度学习框架进行协同工作,在大数据的处理过程利用深度学习框架对非结构化数据进行处理. Spark介绍 Spark是大规模数据处理的事实标准,包括机器学习的操作,希望把大数据处理和机器学习管道整合. Spark使用函数式编程范式扩展了MapReduce模型以支持更多计算类型,可以涵盖广泛的工作流.Spark使用内存缓存来提升性能,因

7 月 31 日,阿里云视频云受邀参加由开放原子开源基金会.Linux 基金会亚太区.开源中国共同举办的全球开源技术峰会 GOTC 2021 ,在大会的音视频性能优化专场上,分享了开源 FFmpeg 在性能加速方面的实战经验以及端云一体媒体系统建设与优化. 众所周知,FFmpeg 作为开源音视频处理的瑞士军刀,以其开源免费.功能强大.方便易用的特点而十分流行.音视频处理的高计算复杂度使得性能加速成为 FFmpeg 开发永恒的主题.阿里云视频云媒体处理系统广泛借鉴了开源 FFmpeg 在性能加速方