UNIST：在人工智能发展中防止个人信息侵害…以联邦学习筑起防线
保护个人信息的AI联邦学习技术，在多样数据分布下仍具高性能
IT企业关注技术FedGF，实现用户数据保护与AI性能提升双重目标
在人工智能快速发展的同时，用户个人信息被侵害的问题日益严重，为解决这一问题的联邦学习核心技术已经出现。
该技术有望为信息技术企业高度关注的终端侧（On-Device）人工智能学习提供助力。
UNIST（校长 Park Jongrae）人工智能研究生院 Yoon Seonghwan 教授团队开发出了在保护个人信息的同时还能提升人工智能性能的 FedGF（Federated Learning for Global Flatness，面向全局平坦性的联邦学习）技术，有望解决用户数据泄露问题。
研究团队开发出了一种在多种用户数据分布情形下都能持续保持高性能的方法。以往技术仅在与用户数据分布相似的环境中表现优异，在其他环境中的性能则较低。
联邦学习通过在用户终端设备上训练深度学习模型来保护个人信息，但由于数据差异，性能存在局限。FedGF 无需将数据发送至中央服务器，而是利用各终端设备上训练得到的模型来构建优化模型，从而实现了较高的准确度。
FedGF 在效率方面也十分出色。与既有方法相比，它在占用更少通信资源的情况下即可完成充分学习，对使用 Wi-Fi 等无线通信的移动设备尤为有利。
Yoon Seonghwan 教授表示：“联邦学习技术将成为解决人工智能个人信息侵害问题的关键踏板，并将对信息技术大型科技企业在应对个人信息问题和克服分布式数据异质性方面提供巨大帮助。”
第一作者研究员 Lee Taehwan 补充称：“通过 FedGF 技术，企业无需侵犯个人信息即可获得高性能的人工智能模型，因此将在信息技术、医疗、自动驾驶等多个领域发挥重要作用。”
研究结果已于7月20日在线发表在世界顶级国际学术会议——国际机器学习大会（International Conference on Machine Learning，ICML）上。该研究通过科学技术信息通信部资助的信息保护国际联合研究项目和信息通信广播创新人才培养项目得以开展。
版权所有 © 阿视亚经济 (www.asiae.co.kr)。 未经许可不得转载。
