关于机器学习的三个阶段
793
2022-05-29
业内认为,当前的人工智能成果大都是“狭隘”的,即面向特定任务,只能解决特定问题,比如深度学习在围棋比赛、图像识别等领域的应用已经不逊于人类。
2017年10月16日,UC Berkeley电气工程与计算机科学系(EECS)14位专家联合发布了一份名为《A Berkeley View of Systems Challenges for AI》的报告。该报告明确提出,下一代人工智能系统的问题需要通过体系结构、软件和算法的协同创新来实现,面临的四大趋势和九大挑战,都需要一步步去解决。
1. 数据孤岛,数据整合几乎不可能:由于行业竞争、隐私安全等问题,机构之间数据共享很难,同一公司内数据整合也困难。如在产品推荐服务中,销售方拥有产品数据,但没有用户购买能力和支付习惯数据。
1. 横向联邦学习:训练的数据特征相同,分布在不同地方的数据是属于不同用户的,属于样本数量的扩展,适用于同领域的样本量联合建模。
2. 纵向联邦学习:训练的数据特征不同,分布在不同地方的数据是属于相同用户的,属于样本特征的扩展,适用于不同领域的样本特征联合建模。
3. 联邦迁移学习:训练的数据特征不同,分布在不同地方的数据也是属于不同用户的,属于模型的迁移,适用于不同领域在隐私保护下的模型迁移。
针对通信领域数据不允许出局的业务诉求,华为网络人工智能产品部在2019年启动联邦学习的研究与开发。华为网络人工智能联邦学习的基础架构主要分为服务器端和客户端,基于此基础架构,NAIE在通信领域的不同场景分别实现了横向联邦学习、纵向联邦学习、联邦迁移学习。
1. 联邦学习全生命周期的管理:提供联邦学习在开发态的一键式开发工具链,以及运行态的图形化运维工具,通过友好易用的客户界面,极大提升客户开发与运行的效率。
2. 全场景的联邦学习支持及灵活的部署模式:区别于业界联邦学习复杂的功能区分,网络人工智能联邦学习通过服务端(Federated Learning Server)+客户端(Federated Learning Client)这种简洁的功能区分,实现了全场景的联邦学习,灵活的部署在通信领域的不同联邦学习场景。
3. 高性能及多样的算法支撑:支持神经网络、深度神经网络、线性、逻辑回归、决策树、随机森林、Xgboost、GBDT、lightGBM等算法;支持联邦训练的分布式计算能力,性能倍增;支持联邦训练的AutoML能力,极大提升客户在联邦模型的训练易用性。
4. 强大的安全隐私算法:支持华为自研的多种隐私加密算法:安全多方计算(Federated-MPC),随机安全平均(Random Secure Averaging)算法,同态加密(Paillier)、匿踪查询(OT)等,提供匹配应用场景的隐私加密算法;密文推理保证推理过程隐私。
结合华为在通信领域、人工智能领域的多年经验沉淀和研发投入,NAIE联邦学习主要服务于通信领域的联邦学习场景,分布在如下多个场景成功实现了联邦学习的应用:
ONT精准识别应用,实现品质家宽
2. 技术方案
3. 前景价值
运营商和银行共建信用分模型
1. 背景需求
2. 技术方案
3. 前景价值
数据中心PUE模型联邦迁移学习
1.背景需求
2.技术方案
一期存在大量有标签的数据,二期只有极少量有标签数据,数据极不均衡,但一期和二期存在部分重叠特征。
3.前景价值
AI 机器学习
版权声明:本文内容由网络用户投稿,版权归原作者所有,本站不拥有其著作权,亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容,请联系我们jiasou666@gmail.com 处理,核实后本网站将在24小时内删除侵权内容。