联邦学习作为一种安全的分布式机器学习技术，为AI应用打通数据不足与数据安全的“最后一公里”而备受关注，连续两年进入Gartner技术成熟度曲线，成为隐私计算关键技术和人工智能领域最值得关注的前沿技术。而随着技术研究与产业应用的深化，联邦学习技术也在发展迭代中进入“可信联邦学习”新阶段。

近期，首届可信联邦学习国际研讨会（FL-IJCAI'22）在第 31 届国际人工智能联合会议和第 25 届欧洲人工智能会议（简称IJCAI-ECAI 2022）大会期间举办。这是“可信联邦学习”首次以主题研讨会的方式出现在国际人工智能顶级学术会议。

此次国际研讨会（FL-IJCAI'22）分为线下和线上两部分进行。其中线下研讨会在当地时间7 月 23 日在奥地利维也纳举行，线上研讨会于北京时间8 月 3 日举办。研讨会由微众银行、香港科技大学、新加坡南洋理工大学、星云Clustar、第四范式，FATE开源社区等企业及高校和研究机构联合举办，FedML提供赞助，汇聚了众多联邦学习领域研究与应用带头人及优秀的青年学者。7位特邀演讲嘉宾带来最新的研究与应用成果，25篇优秀论文的口头报告围绕性能与效率提升、数据安全保护机制、多方合作中的激励机制等可信联邦学习技术发展的核心命题，以及通信、医疗等多行业的应用实践全景化呈现可信联邦学习未来发展蓝图。

国际大师齐聚、助力可信联邦学习大发展

线下研讨会中，美国南加州大学及USC-Amazon 安全可信机器学习中心（可信 AI）创始主任Salman Avestimehr围绕《Social, Secure, Scalable, and Efficient Federated Learning》分享了联邦学习安全性、高效与可拓展性的平衡；欧洲人文和自然科学院（Academia Europaea）院士、比勒费尔德应用技术大学洪堡教授金耀初以《Privacy-Preserving Bayesian Evolutionary Optimization》为主题提出隐私保护中贝叶斯优化的新方法。8篇优秀的研讨会入选论文进行了口头报告，其中《A General Theory for Client Sampling in Federated Learning》和《Visual Transformer Meets CutMix for Improved Accuracy, Communication Efficiency, and Data Privacy in Split Learning》两篇论文分别获得“最佳论文奖”及“最佳学生论文奖”。AAAI Fellow、瑞士洛桑联邦理工学院计算机科学系系主任Boi Faltings，加拿大阿尔伯塔大学ML实验室创始人Randy Goebel，微众银行人工智能首席科学家范力欣等知名学者出席了线下研讨会。

AI大咖云集、聚焦联邦学习应用与发展新趋势

线上议程中，加拿大皇家科学院及工程院两院院士、FATE开源社区技术指导委员会主席、开放群岛（Open Islands）开源社区执行主席、香港科技大学讲席教授杨强以《Trustworthy Federated Learning》为题进行了keynote报告，他指出，“可信联邦学习”，是在联邦学习分布式联合建模的基础上，加入安全可信的机制，同时，又能够保证整个模型高效可用、可管理、可审计、并且具有普惠性。目前可信联邦学习在理论研究、标准制定、开源、行业应用等方面都取得了长足的发展。

英伟达医疗保健生态系统中国区经理冀永楠在主题演讲《NVIDIA FLARE for Federated Learning in Healthcare》中分享了联邦学习在医疗领域的典型应用案例，例如利用联邦学习进行新冠（COVID-19）预测、医疗机构的跨机构合作等，阐释了联邦学习在准确性（accuracy）、隐私保护（privacy）、可用性（ready）等方面的优势，同时介绍了英伟达FLARE平台的相关实践。

中国电信研究院 IEEE SPFML-WG 和 IEEE C/AISC/FTFML 标准主席巫祖萍围绕《Practice in Privacy and Security of Federated Learning from China Telecom》分享了中国电信在联邦学习标准制定、平台建设方面的实践，其自研平台“天翼云诸葛AI” 目前已应用于银行营销获客、数据交易市场、智慧政务等多业务场景。

瑞士洛桑联邦理工学院（EPFL） 终身助理教授 Martin Jaggi 以《Towards Collaborative Learning - Personalization and Byzantine Robust Training》的主题演讲阐释了个性化和拜占庭鲁棒训练的方法，进一步提升联邦学习安全可信。

要实现联邦学习技术的普及、普惠，离不开联邦学习生态系统的构建。IEEE标准协会CXO、中国战略合作总监Victoria Wang 博士与杨强教授就联邦学习的生态构建中的标准化、开源、专利等核心问题进行了专家对话，他们表示，这场对话是关于“我们现在在哪里”，以及“需要什么才能到达那里”。不是为了给出最终答案，而是鼓励大家通过分享想法和经验来共同寻求解决方案。

除了大咖论道，17篇优秀入选论文的作者线上分享了最新的研究成果，其中《MetaFed: Federated Learning among Federations with Cyclic Knowledge Distillation for Personalized Healthcare》和《Cluster-driven Personalized Federated Learning for Natural Gas Load Forecasting》两篇论文获得“创新奖”。

“可信联邦学习”的提出，首次将安全、性能、效率等要素统一在共同的理论框架下，为隐私计算和AI协作提供了通用框架。建立可信联邦学习，实现数据所有者之间的开放式动态协作，解决工业实践的问题，是AI应用发展的关键路径。此次研讨会吸引了上千位来自不同领域的专家参与和交流，相信在这一跨学科研究领域的精彩碰撞将会为未来AI的应用、数据要素的流通、数字经济的深入发展指引新的方向。