【AAAI Tutorials 2019】联合学习：机器学习中的用户隐私，数据安全性和机密性（Federated Learning: User Privacy, Data Security and Confidentiality in Machine Learning）

主题： Federated Learning: User Privacy, Data Security and Confidentiality in Machine Learning

摘要： 尽管人工智能（AI）目前取得了巨大的进步，但它在高质量大数据的获取方面面临着严峻的挑战。在许多实际应用中，数据是以孤立岛的形式存在的。整合数据的工作越来越困难，部分原因是对用户隐私和数据安全的严重关切。本次演讲将回顾这些挑战，并描述解决这些挑战的可能技术解决方案，并将概述迁移学习的最新进展，并展示它如何缓解数据短缺的问题。

邀请嘉宾： Qiang Yang，香港科技大学计算机科学与工程系的客座教授。他的研究兴趣包括人工智能、机器学习，特别是迁移移学习。他是AAAI、ACM、IEEE、AAAS等的研究员，《智能系统与技术》（ACM-TIST）的创始主编，《大数据》（IEEE-TBD）的创始主编。1989年，他在马里兰大学帕克分校获得博士学位，曾在滑铁卢大学和西蒙·弗雷泽大学任教。他是IJCAI-2015的PC主席，并于2017年获得ACM SIGKDD杰出服务奖。他是IJCAI现任总裁（2017-2019年）和AAAI执行委员会成员。