“要想 AI 不吃土，数据资源不可少”
然而数据资源不是你想要就能要的
随着各厂商对数据越来越重视
各国对个人信息的保护政策越来越完善
用户数据野蛮圈地的时代早已过去
但是
机器学习却又需要大量的优质数据来学习
肿么办？
快跟小编一起看看
最近比较火热的“联邦学习”吧
首先了解一下机器学习的原理
什么是机器学习？
简单来说，分为两步
第一步训练，通过大量优质的特征数据让模型学习如何完成工作。
第二步推断，就是深度学习把从训练中学习到的能力应用到工作中去。如果训练数据特征不够，那就尴尬了。
那是不是只要给到充足的数据
就能得到准确的模型了呢
No~No~No
愿望是美好的，而现实是残酷的
一般情况下
人工智能所需要的数据
涉及多个领域
同时数据源之间也存在着
难以打破的壁垒
这就是“联邦学习方法”
什么是联邦学习？
具体来说，联邦学习基本可以分为以下几个步骤
Step1：用户 A、B、C 各自使用粗糙模型进行训练得到参数 Wi。
Step2：A、B、C 在本地对模型参数 Wi 进行加密得到[[Wi]]。
Step3：上传加密模型[[Wi]]。
Step4：关键来了！服务器采用同态加密算法整合各个加密模型。
Step5：将更新后的[[Wi]]下发到 ABC。
Step6：ABC 使用自己的密钥更新来自他那一部分的 Wi，得到一个更精确的算法模型。
升级完成！Well done。数据没动，但模型更精确了！
看到这里
是不是对联邦学习
充满了期待和更多的好奇呢
公开课时间：
12 月 17 日 | 10:00 – 11:00
主题：
FPGA 如何加速联邦学习高性能计算落地
介绍：
本次公开课将详细介绍联邦学习，以及针对联邦学习中存在的诸如同态加密、密态运算等复杂计算力问题，结合 FPGA 高并行、高定制、低延迟等特性，分享在联邦学习中具体的 FPGA 加速方案和成果，使得计算性能和效率大幅提升。
演讲嘉宾：
王玮现为星云 Clustar 硬件团队负责人
十年 FPGA 设计开发经验，一直专注于 FPGA 数据处理和加速相关领域，曾就职于阿里云，负责 FPGA 硬件加速产品商业落地，熟悉 FPGA 整体架构设计。现为星云 Clustar 硬件团队负责人，带领团队完成联邦学习 FPGA 加速等相关项目落地。
马鸿伟
现任赛灵思大中华区
加速及系统设计领域技术专家
马鸿伟，现任赛灵思大中华区加速及系统设计领域技术专家，负责赛灵思大中华区 Alveo 加速板卡推广及系统解决方案。在通信、加速应用领域从事 FPGA 开发和支持工作超过11年。
墙裂建议以下行业用户参与讨论，必定获益不浅!
● 金融
● 医疗
● 计算机视觉
● 自动驾驶汽车
● ……
欢迎所有想要进一步了解
联邦学习的童鞋
参加此次在线公开课
期待你的加入
扫码报名
