两年，这是联邦学习从诞生之初的默默无闻到如今的炙手可热所用的时间。
而完成这一华丽转变的主力军，则是微众银行领衔的一众中国企业。换句话说，我国无论在联邦学习的技术研究、标准制定，还是在应用落地实践上，都走在国际前头。
作为中国鲜有的拥有话语权的技术研究领域，联邦学习下一步会有哪些重点方向？在应用布局方面还要突破哪些重点挑战？如何在吸引更多国内企业加入的同时也将国外企业吸纳到生态中？
在 2020年8月7日-9日由中国计算机学会（CCF）主办，香港中文大学（深圳）、雷锋网联合承办的第五届CCF-GAIR全球人工智能与机器人峰会上，「联邦学习与大数据隐私」专场将能对这些问题一一做出解答。
那本次专场邀请的嘉宾阵容如何？他们将带来怎样的分享？下面逐一揭晓：
杨强
个人简介： 杨强，微众银行首席人工智能官、香港科技大学讲席教授， AAAI、ACM、CAAI、IEEE、IAPR、AAAS Fellow，《IEEE Transactions on Big Data》和《ACM Transactions on Intelligent Systems and Technology》开创主编，曾获2019年度“吴文俊人工智能科学技术奖”杰出贡献奖， 2017年 ACM SIGKDD 杰出服务奖。他曾任华为诺亚方舟实验室主任，第四范式公司联合创始人，香港科技大学计算机与工程系系主任以及国际人工智能联合会（IJCAI）理事会主席。最近的著作有《迁移学习》和《联邦学习》。
演讲主题： 《联邦学习下的数据价值与模型安全》
薄列峰
个人简介： 前亚马逊首席科学家，任华盛顿大学计算机科学与工程学院合聘教授。现任京东数字科技集团AI实验室首席科学家，研究范围覆盖机器学习，深度学习，计算机视觉，自然语言处理，语音等多个领域。
演讲主题： 快速安全的联邦学习框架
演讲摘要： 联邦学习是在满足用户隐私保护、数据安全和政府法规的要求下，能有效帮助多个机构进行数据使用和建模的机器学习框架。目前，联邦学习在应用方面面临着很大的挑战—为了增加安全性，需要对梯度信息加密，但是也极大降低了算法的效率。如何设计既能保证安全性又具有高效率的联邦学习框架是业界面临的突出难题。为解决这一问题，我们提出了快速安全的联邦学习框架。在隐私保护方面，我们的方法不传输原始样本及梯度信息，而是交换更新参数所需的中间数值。同时，为了避免从这些中间数值中恢复数据信息，我们也对这些中间数值增加了随机扰动，充分保护数据隐私。在快速性方面，我们的方法使用首创的双随机梯度下降和异步计算框架，充分利用计算资源，极大地提高了模型训练的速度。
李超
个人简介： 李超，腾讯安全天御金融风控负责人，在反欺诈、金融风控、机器学习算法方面有深入研究，带领天御金融风控团队研发了天御反欺诈和星云风控解决方案等行业领先的金融风控产品，利用人工智能技术帮助金融机构提升风控能力。他新加坡国立大学获博士学位，凭其人工智能方面的突出成果，在行业顶级会议MICCAI被提名为年轻科学家。
演讲主题： 联邦学习实现无接触信贷的自适应风险管理
涂威威
个人简介： 涂威威，第四范式资深机器学习架构师，在大规模分布式机器学习系统架构、大规模机器学习算法设计和应用、在线营销系统方面有深厚积累。百度最高奖trinity发起人之一。首次将FPGA应用于在线营销深度学习预估系统。设计开发百度机器学习计算框架ELF。
冯霁
个人简介： 冯霁，目前担任创新工场南京国际人工智能研究院执行院长，在鲁棒性和安全性人工智能以及计算金融领域，开展一系列的研究与落地工作，从整体上负责南京研究院的团队建设、科研拓展、应用研发、学术交流与合作等工作内容。现担任IEEE联邦学习标准制定委员会Vice-Chair，以及多个人工智能顶级会议包括NeurIPS,IJCAI,AAAI和ICML的程序委员。他在数据驱动下的计算金融具备资深的研发和实战能力，对金融时间序列分析，全栈式人工智能系统的搭建和技术人员的培训上有着丰富的经验。
演讲主题： 联邦学习： 下一代分布式机器学习范式
演讲摘要： 联邦学习作为一种新型的分布式机器学习框架，在学术界和工业界收到了越来越多的重视。本次汇报将从传统分布式机器学习范式入手，对比联邦学习技术在数据隐私保护，边缘计算等领域等的独特优势，同时结合联邦学习技术的发展现状，对该技术面临的若干挑战和重要研究问题做一个简短梳理和展望。最后，针对人工智能的安全性，介绍联邦学习框架下的对抗攻防问题。
丛明舒
个人简介：丛明舒，深圳逻辑汇科技有限公司创始人，拥有北京大学物理学学士学位、经济学博士学位，研究兴趣集中于金融科技、联邦学习、计算博弈论、计算经济学等交叉学科。在金融、物理、计算机等多个领域的核心期刊发表论文。同时拥有多年金融行业从业经验，曾任职于中信证券和香港南丰集团总裁办公室，且持有中国注册会计师执照。
演讲主题：联邦学习中的经济激励
演讲摘要：在联邦学习的商业落地过程中，除安全和隐私考虑外，向联邦学习参与方提供充分的经济激励也不可或缺。我们从一个实际的例子出发，指出联邦学习过程中可能由于参与方的个体利益和集体利益相冲突而导致合作失败，从而引出信息不对称、激励相容、个体理性等博弈论基础概念，并说明通过设计合理的经济激励机制可以解决这些问题。
进一步，我们基于博弈论， 给出联邦学习激励机制设计的研究框架、解释激励机制设计的多重目标、以及这些目标之间此消彼长的平衡关系。在我们的框架下，经济激励计算可以作为一个标准化模块嵌入联邦学习系统。最后，简单介绍两个联邦学习经济激励机制的具体方案，可以通过自动化设计的激励机制实现对联邦学习各参与方的有效激励。
李宏宇
个人简介：李宏宇，同盾科技人工智能研究院深度学习首席专家，师从国际模式识别学会会士、芬兰模式识别协会主席Jussi Parkkinen教授，相继获得复旦大学以及东芬兰大学计算机科学博士学位。曾任同济大学软件学院副教授、博导。随后加入众安保险与众安科技，任首席机器学习专家等职位。李宏宇在图像处理和分类、生物特征识别、OCR、机器学习和深度学习等人工智能的多个领域有着深厚造诣和应用成果，在国际权威学术期刊和一流的国际会议上发表了近80篇学术论文，发明专利20余项，出版专著1部。
演讲主题：同盾智邦-知识联邦平台：打造数据安全的人工智能生态系统
「联邦学习与大数据隐私」专场完整议程如下：
8月9日下午，「联邦学习与大数据隐私」专场与大家不见不散~