联邦学习助力人工智能新模型进化（附：金融隐私计算实战项目）

2016年是人工智能（ArtificiaIntelligence，AI）成熟的一年。随着AlphaGo击败人类顶级围棋手，我们真正见证了人工智能的巨大潜力，并开始期待更复杂、更尖端的人工智能技术可以应用在更多的领域，包括无人驾驶、生物医疗、金融等。

如今，人工智能技术在各行各业都显示出了优势。人们自然希望像AlphaGo这样的由大数据驱动的人工智能技术能够很快在生活中应用起来。然而，现实有些令人失望：除了少数行业，大多数领域只拥有有限的数据或质量较差的数据，这使AI技术的落地比我们想象的更困难。是否通过跨组织传输数据，将数据融合在一个公共站点中呢？

事实上，在许多情况下，打破数据源（数据拥有者）之间的障碍是非常困难的，甚至是不可能的。一般来说，任何AI项目所需的数据都包含多种类型。例如，在人工智能技术驱动的产品推荐服务中，产品销售者拥有产品信息、用户购买数据，但没有描述用户购买能力和支付习惯的数据。在大多数行业中，数据以孤岛的形式存在。

近年来，随着隐私保护及数据安全法律法规的逐渐完善，数据孤岛问题变的日益严峻。为解决联合建模的需求和数据隐私保护之间的矛盾，联邦学习（Federated Learning）作为其中一种技术上的解决方案备受学术界和工业界人士的关注。本文将全面的介绍联邦学习相关知识以及在金融行业的项目实战。 

课程亮点

• 全面的技术知识讲解
  课程内容涵盖横向联邦学习、纵向联邦学习、联邦迁移学习三大模型架构，包含联邦学习在视觉、医疗、金融、隐私计算、政务服务等应用案例的讲解。

• 项目实践，学以致用
  学员使用联邦学习框架与算法，实践金融领域隐私计算与风险检测的任务。
  
  
• 专业团队严格打磨的课程内容，前沿且深入
  行业内多年一线从业经验科学家或科研学者、工程师讲授，并配有背景优秀经验丰富的助教，致力于带来最优质的学习体验。课程内容经过前期数百小时的打磨设计，保证内容和项目节点设置合理，真正做到学有所得。
  
  
• 就业导向，目标明确
  顺利完课后，优秀学员可获得京东、百度等互联网大厂联邦学习工程师岗位的合作内推面试机会。
  
  

你将收获

▶全面掌握联邦学习领域的知识，灵活应用在自己工作中

▶能够了解联邦学习框架的实现方式，并熟练掌握其关键技术与方法

▶深入理解前沿的联邦学习技术，拓宽工作和研究的技术视野

▶短期内对一个领域有全面且系统的认识，大大节省学习时间

▶认识一群拥有同样兴趣的人、相互交流、相互学习

助你成为行业TOP10%的工程师

对课程有意向的同学

扫描二维码咨询

内容大纲

Week1

主题：初识联邦学习与隐私计算

讲解联邦学习定义、联邦学习分类、联邦学习的研究进展、联邦学习开源平台、联邦学习中使用的隐私保护技术、隐私计算基础知识等内容。

课程提纲：

• 联邦学习系统架构

• 联邦学习分类

• 联邦学习常用开源平台

• 联邦学习中的隐私保护技术

• 隐私计算定义与分类

• 同态加密

• 差分隐私

• 安全多方计算

Week2

主题：分布式机器学习

讲解分布式机器学习的定义、分布式机器学习算法、分布式机器学习到联邦学习的演进等内容。

课程提纲：

• 分布式机器学习定义

• 分布式机器学习平台

• 大规模机器学习

• 隐私保护机器学习方案

• 分布式机器学习算法

Week3

主题：横向联邦学习

讲解横向联邦学习的定义、横向联邦学习架构、横向联邦学习算法、横向联邦学习的优化等内容。

课程提纲：

• 横向联邦学习定义
• 横向联邦学习架构
• 联邦平均算法
• 横向联邦学习算法

Week4

主题：使用隐私计算构建金融领域风控模型

讲解使用隐私计算构建金融领域风控模型的流程、分析等内容。

课程提纲：

• 横向联邦学习构建流程

• 横向联邦学习结果分析

Week5

主题：纵向联邦学习

讲解纵向联邦学习的定义、纵向联邦学习架构、纵向联邦学习算法、纵向联邦学习的优化等内容。

课程提纲：

• 纵向联邦学习定义

• 纵向联邦学习架构

• 纵向联邦线性回归

• 纵向联邦决策树

Week6

主题：联邦迁移学习

讲解联邦迁移学习的定义、联邦迁移学习架构、联邦迁移学习算法、联邦迁移学习的优化等内容。

课程提纲：

• 联邦迁移学习定义

• 联邦迁移学习框架

• 联邦迁移学习训练与预测

• 联邦迁移学习中的同态加密

• 联邦迁移学习中的秘密共享

Week7

主题：隐私计算、联邦学习在不同领域的应用及前沿研究

讲解隐私计算和联邦学习在不同领域的应用案例、研究内容、面临问题等内容。例如计算机视觉领域的联邦学习目标检测网络；政务领域的差分隐私数据共享；智能物联网中的联邦学习用户行为预测；医疗领域的联邦学习健康分析、同态加密基因分析；金融领域的联邦学习反欺诈、隐私求教联合风控等。

课程提纲：

• 联邦学习应用案例（计算机视觉领域的联邦学习目标检测网络，政务领域的差分隐私数据共享，智能物联网中的联邦学习用户行为预测，医疗领域的联邦学习健康分析等）

• 联邦学习研究及面临问题

• 隐私计算应用案例

• 隐私计算研究及面临问题

Week8

主题：使用联邦学习构建金融领域风险监测模型

讲解使用联邦学习构建金融领域风险监测模型的流程、结果分析等内容。

课程提纲：

• 金融领域风险监测模型构建流程

• 金融领域风险监测模型结果分析

项目介绍

项目一：金融隐私计算实战

项目内容描述： 讲解联邦学习和隐私计算相关的概念、联邦学习和隐私计算的发展、联邦学习的基础技术（隐私保护技术和分布式学习技术）、横向联邦学习定义、横向联邦学习架构及算法详解，最终使用隐私计算构建金融领域风控模型。

项目使用的算法：

横向联邦学习

项目使用的工具：

FATE/examples/data，开源数据集

项目预期结果：

熟悉联邦学习和隐私计算相关知识和基本概念，熟悉横向联邦学习定义及架构，学会横向联邦学习算法并基于隐私计算实现金融领域风险监测。

项目对应第几周的课程： 1~4周

项目二：基于联邦学习的金融领域风险监测实战

项目内容描述： 讲解纵向联邦学习定义、纵向联邦学习架构及算法详解，讲解联邦迁移学习定义、联邦迁移学习架构及算法详解，讲解联邦学习在业界的应用现状和典型案例，最终使用开源框架FATE实现一个金融领域风险监测模型的构建。

项目使用的算法：

联邦学习

项目使用的工具：

Python、开源框架FATE

项目预期结果：

熟悉纵向联邦学习、联邦迁移学习定义及架构，学会纵向联邦学习、联邦迁移学习算法，并基于开源框架FATE实现一个金融领域风险监测模型。

项目对应第几周的课程： 5-8周

助你成为行业TOP10%的工程师

对课程有意向的同学

扫描二维码咨询

适合人群

大学生

• 编程及深度学习基础良好，未来想进入AI行业发展
• 对联邦学习有浓厚兴趣，希望进行实践

在职人士

• 工作中需要应用机器学习，深度学习等技术
• 想进入AI算法行业成为AI算法工程师
• 想通过掌握AI高阶知识，拓宽未来职业路径

导师团队

 

完颜老师

联邦学习主讲老师

北京航空航天大学信号与信息处理博士

某金融央企研究院副高级工程师

在SCI Q1、EI、核心等不同级别的国内外著名期刊发表论文十余篇，受理及授权发明专利5项，软件著作权3项

参与国家863计划、公安部应用创新计划等科研课题，主持绿色发展大数据决策北京市重点实验室、北航金华北斗应用研究院、清华联合研究院等多项科研课题

Jerry Yuan

课程研发顾问

美国微软(总部)推荐系统部负责人

美国亚马逊(总部)资深工程师

美国新泽西理工大学博士

14年人工智能, 数字图像处理和推荐系统领域研究和项目经验

先后在AI相关国际会议上发表20篇以上论文

 

李文哲

贪心科技CEO

美国南加州大学博士

曾任独角兽金科集团首席数据科学家、美国亚马逊和高盛的高级工程师

金融行业开创知识图谱做大数据反欺诈的第一人

先后在AAAI、KDD、AISTATS、CHI等国际会议上发表过15篇以上论文

授课方式

基础知识讲解

前沿论文解读

该知识内容的实际应用

该知识的项目实战

该方向的知识延申及未来趋势讲解

助你成为行业TOP10%的工程师

对课程有意向的同学

扫描二维码咨询