（原标题：猝不及防！加密货币突然断崖式暴跌，比特币一度狂泻近3000美元！1小时25亿爆仓，发生了什么？） 美国感恩节假期，比特币上演“杀千刀”行情。 11月26日午后，比特币持续下挫，跌破16500美元/枚，日内一度跌超12%，较日内高位19138美元大跌近3000美元。 截至发稿，比特币报17194美元，下跌超8%。 不仅如此，其他主要加密货币也一起暴跌，以太坊，莱特币都暴跌超10%，新近冒起的代币XRP,TRX则暴跌近20%。 1小时内爆仓25亿 比特币价格暴跌也导致杠杆交易者大面积爆仓。据华尔街见闻报道，近1小时内，靠借入资金买入比特币的交易者爆仓3.67亿美金（约25亿元人民币）。 年内曾暴涨517% 自10月以来，比特币一路上涨，从10000美元飙至19500美元，近乎翻倍；如果从2019年12月的低点起算，比特币价格年内已经翻了超5倍。 市场分析人士认为，疫情爆发以来，美联储史无前例的放水举措让以美元一路走软，比特币作为对抗贬值的手段，再次受到市场的追捧；同时，由于今年5月，比特币第三次产量减半，进一步推送价格上涨。 为何暴跌？ 11月25日，比特币价格涨至1.9万美元附近，创下近三年新高。 就在比特币接近2017年时创下的19821美元的历史新高时，市场传闻，美国财政部计划跟踪自主加密货币钱包所有者。 该消息似乎引发了自主加密货币的集体抛售。 Coinbase的CEO不仅透露美国财政部对加密货币加强监管之外，该交易平台还开始阻止客户进行新的保证金交易，同时取消所有未结限价订单，并且下个月完全终止保证金交易功能。此举引发了市场的进一步恐慌。 同时，美东时间25日晚上，CNBC Fast Money主持人Brian Kelly也表示，基本面和技术因素均表明，随着比特币过度上涨，回调可能迫在眉睫。 Kelly列举了可能导致短期比特币回调的三个原因: 山寨币的飙升、地址数增长而比特币定价过高和高资金费率。 CryptoQuant的首席执行官Ki Young Ju也表示，“这是比特币在突破2万美元之前的一次调整”，但是“比特币和稳定货币储备等其他长期分布指标显示，潜在的购买压力迄今仍普遍存在。” 无论是传闻也好，技术调整也好，今天市场的巨震让不少高位追进的杠杆交易者爆仓。 据衍生品数据提供商Bybt指出，此次暴跌清算了主要交易所价值9.5亿美元的头寸。 比特币已经历11次暴跌 值得注意的是，比特币历来都是涨起来疯狂，跌起来更疯狂。 据不完全统计，从2010年至今，比特币共经历了11次暴跌。暴涨之后腰斩，膝盖斩的情形比比皆是。过山车般的行情正成为华尔街不少机构追逐的对象。 不过，从前几轮比特币暴跌来看，各国政府的打压，往往对比特币价格形成致命伤害。 比特币的支持者说，与三年前的暴跌相比，目前对加密货币的关注有所不同，因为机构投资者的兴趣日益浓厚，比如富达投资和摩根大通。 (编辑：文静)
路透社本周报道称，两份欧盟内部文件显示，欧盟将在2024年前制定加密数字货币资产新规，促进在国际转账中使用区块链和数字资产。欧盟委员会报告的目标包括希望增加数据获取和金融活动的可用性，所有这些都是为了希望提高效率。文件指出，欧盟官员将提出一项法律草案，预计会修订现有规则和制定新规，以适用于加密数字货币资产。其中，到2024年，欧盟应该建立一个全面的框架，使分布式账本技术（DLT）和加密资产能够在金融领域得到应用。它还应该解决与这些技术相关的风险。目前，欧元区支付交易中，仍有78%的现金支付，欧盟因此希望数字支付变得更加普遍，同时又希望实现即时交易。欧盟执行机构欧委会将制定战略，鼓励更多地使用数字金融。新冠疫情带来的社会封锁，突显了无现金支付服务的普及越发重要，欧委会因此希望迅速转向常见的“即时”支付。路透社补充说，在明年，快速的交易通道将有可能会取而代之。文件还表示，欧盟还希望金融部门之间更容易分享数据，以鼓励竞争和更广泛的服务，同时坚持“相同风险、相同规则、相同监管”的原则。此外，路透社也报道陈，欧盟还应在四年内出台规定，一旦反洗钱和身份检查完成，允许新客户迅速地开始使用数字金融服务。文件表示，即时支付系统应在2021年底前成为“新常态”。不仅是传统的信用卡转账，还有线下和线上购物等重要场景，而目前这样的使用场景在欧洲，多数还是支付卡模式占据主导地位。欧盟长期以来也一直在寻求“本土成长”的替代方案，以取代万事达卡和Visa。目前，欧盟地区大量地使用美国支付公司所提供的服务。欧委会将评估即时支付向消费者收取费用所产生的影响，可能要求收取费用不高于定期信贷转账的所收取的费用。值得一提的是，欧盟近期也表示了他们对“稳定币”的担忧。这是一种由传统资产支持的加密数字货币，不少稳定币与美元等法币挂钩，例如USDT，去年当Facebook披露其数字货币Libra计划时，稳定币随即被纳入决策者的议程。现在，一些央行正在研究是否推出自己的数字货币计划。Coindesk报道称，欧盟委员会正在加紧规范数字资产市场，已有文件草案显示出其正打算控制加密货币交易以及相关新资产发行。文件称，“虽然加密资产市场规模仍然适中，目前并未对金融稳定构成威胁，但随着‘稳定币’的出现，情况可能会改变——因为‘稳定币’可能以稳定其价值的功能，同时利用网络，来寻求更广泛的公司推广这些资产，从而产生影响。”报道还称，监管机构正计划引入加密资产市场规定（MiCA），这与规范欧洲证券市场的现有金融工具市场指令（MiFID）框架非常相似；该文件可能会在本月稍晚时候发布。但即便是能够实施，也要等到2022年才能纳入欧盟法律。虽然欧盟27个成员国并未给加密货币正式的“名分”，但已有欧洲国家的监管机构正在加深对加密货币的了解。例如德国联邦金融监管局（BaFin）已将数字资产列为金融工具，并对大多数相关行业活动进行许可。
据《每日野兽报》网站报道，2011年5月2日，美国海军海豹突击队依据时任总统奥巴马的命令，在巴基斯坦阿伯塔巴德大院，将基地组织头目本·拉登击毙，并获取了他的硬盘，国家地理频道深入研究了硬盘中的数字和书面材料。 报道称，对于一个无比珍视个人机密的人来说，公开披露本·拉登最私密的想法无疑是非常尴尬的事，尤其告知观众其硬盘中包含了大量的色情内容。 不过揭露本·拉登的硬盘中有很多色情视频和图像的消息并不是什么新鲜事，早在2011年路透社就率先报道了此事。尽管这个硬盘中确实存在这些色情片等，但鉴于在本·拉登之前其他人曾拥有这个硬盘，究竟是不是他将这些内容存放在优盘内仍然存疑。美国有线电视新闻网的国家安全分析员彼得·贝儿根就本·拉登的硬盘主持了一档电视节目，这期节目将在当地9月10日播放。 更有趣的是，有关硬盘的分析显示，这些色情内容可能是本·拉登与下属沟通的工具。他曾在信中表示，担心使用电子邮件传达自己的信息不够安全，因为加密是不可信的，这也是为什么他与外界的大多数互动是通过快递员完成的。然而，贝儿根的节目中提出了一个想法，即这位基地组织头目很可能一直在色情文件中隐藏加密指令，通过将杀人的命令与色情内容放在一起来避免侦查。
近日，总部位于香港的知名加密金融服务商Amber Group CEO Michael Wu应邀出席2020杭州区块链国际周，发表了《聚焦长期价值，以智能科技赋能全球用户》的主题演讲，提出Amber Group已于今年完成了品牌升级，致力于成为全球化智能加密金融服务平台，并表示加密货币在今后的支付、服务、商业领域将得到广泛应用，未来价值深远。 放眼长期，加密金融发展潜力巨大 依托于区块链技术，以比特币为代表的加密资产诞生至今，仅历经短短十余年，其市场规模目前已达2600亿美元左右（近似于中国工商银行目前在A股的市值），成为了全球范围内不可忽视的资产配置品种，越来越多机构、个人以及政府监管层已参与到行业中来。 由于全年7×24小时在线实时交易的机制，加密金融行业有着远快于传统金融行业的发展速度和迭代周期，也饱受着加密货币价格剧烈波动、浮躁逐利等争议。对此Michael Wu指出，加密货币在数字化的加密金融体系中，担任了价值度量、价值储藏、支付流通的基础职能，它为加密金融在数字化时代的落地建立了基础。 如今加密金融行业已在分布式存储、分布式金融、支付、隐私保护、溯源等领域展现出了巨大潜力，加密货币的众多落地场景已经越来越明确，相信那些愿意跟随这个行业长期耐心发展的企业，才能收获行业最长远、最丰硕的果实。 立足长期，Amber Group以科技驱动发展 以自身企业为案例，Michael Wu介绍了Amber Group从传统量化金融、到前期Amber AI再到现在的全球化集团，五年来深耕行业的发展实践。 他特别谈到，Amber Group从创立成立之初就兼具金融与科技的双重基因，出身于华尔街顶尖投行的创始团队在2014年底就开始将机器学习、神经网络等前沿的AI算法，应用到金融交易之中，这在当时亚洲市场是非常领先和创新的。2018年是加密货币大熊市，但却是Amber Group的发展里程碑之年，Amber Group因为坚守长期价值，坚持风控底线不去赌方向，专注于做低风险市场中性策略，当2018年一季度同行都亏损过半时，自身反而有了30%左右的盈利，使公司从行业脱颖而出，得到了全球机构用户的关注，到2019年中Amber Group在加密金融to B领域已经成为全球领先企业。 随着全球化布局、海外分支机构的设立、2800万美金的A轮融资，2020年企业制定了平台化、产品化、规模化的战略，完成了从Amber AI到Amber Group的品牌升级，通过先进的科技研发能力，计划今年内推出智能加密金融应用Amber App，把机构级品质的服务带给全球更广泛用户。 聚焦长期，赋能用户“链”动未来价值 从互联网、移动互联网再到区块链，每一次的技术革命都对全球经济增长和社会财富的流向产生着深远影响。Michael Wu讲到区块链技术应用到未来新金融体系中，会一步步将信用构建、资产创建、资产定价这个过程进一步下沉，最终能达到个体只要获得足够共识，就能参与到信用建立、资产定价的过程中，以及实物货币化、资产化的议事进程中，这其间的交易媒介就是加密货币，它是加密金融生态的要素。 因此为了让更多终端用户进入加密金融生态，帮助他们收获数字世界的长期价值，就需要在底层复杂的技术基础上，把定制化的智能金融服务，通过一套简单、易用、个性化、千人千面的轻应用产品交付给用户，使他们拥有流畅高效的使用工具。 Michael Wu表示，“我们将推出的Amber App聚合了能为用户带来长期价值的产品和服务，让更多非机构的普通用户在此受益，我们已经做了大量的准备。Amber Group会把成熟的量化经验和夯实的技术基础复刻到这个智能加密金融服务平台上，助力全球用户融入价值无限的加密金融世界。”
近日，雷锋网《AI金融评论》联合香港人工智能与机器人学会（HKSAIR），邀请京东数字科技AI实验室首席科学家薄列峰做客公开课，以《京东数科的联邦学习战略全布局》为题进行分享。除了分享横向和纵向联邦学习以外，他也通过案例形式给出了京东数科对联邦学习性能与安全性方面的研究成果，以及区块链和联邦学习的融合讨论。以下为薄列峰的课程分享全程回顾，雷锋网AI金融评论做了不影响原意的编辑：随着互联网发展，数据安全管理越发严格，对数据管理的关注也越来越全面化。怎么在保护数据隐私的情况下，还能做一些好的机器学习模型，应用到各种各样的问题？这就变得越来越重要，需要从集中式机器学习过渡到分布式机器学习。而2006年开始掀起的深度学习热潮，更把AI和机器学习模型对数据的需求推向了顶峰。什么是联邦学习？就是在满足数据隐私安全和监管要求的前提下，让人工智能系统更加高效准确地共同使用各自数据的机器学习框架。应用方面，举一个简单的例子：各企业或机构大家都出不同的数据，相互进行模型学习，又不会看到对方的数据。数据还可能分布在不同的国家，各国数据监管政策有所不同，也可以把分布在各国数据高效利用、训练模型，不存在数据上的交换。两个典型的联邦学习算法，分别是横向联邦学习和纵向联邦学习，横轴表示特征维度，竖轴表示用户维度。横向联邦学习，看两方的数据和标签，用户重合度非常低，特征重合度比较大。这里显示的是用户无重合的极端情况，实际情况中它可能仅仅重合90%用户特征，5%用户重合，到时进行对齐即可。纵向联邦学习，两方用户重合较多，可对用户的部分对齐。A、B各拥有用户一部分数据，可能都会有用户的一部分标注，纵向联邦学习也能去处理。对计算机视觉、自然语言语音识别等领域而言，2006年深度学习（的出现）是非常大的推动。大家熟悉的语音识别、语音合成、人脸识别等应用，都是大量深度学习模型在背后发挥作用。深度学习、梯度下降与横向联邦学习三种典型深度学习首先是深度神经网络（Deep Neural Networks，DNN）在语音识别误差上有30%的简化，性能有非常大的提升。后来是卷积神经网络（Convolutional Neural Networks, CNN），它的训练误差相对于其他方法降低了十个百分点左右，在计算机视觉领域有着非常广泛的应用。递归神经网络（Recursive Neural Networks，RNN）在自然语言处理领域是非常基础性的工具。优化神经网络的典型方法：不管神经网络有多复杂，大家实际上都能把它写成一个f，一个输入加一个参数。常用方法之一是随机梯度下降。大家都知道，优化最基本的是梯度下降，就是精确计算梯度，再对参数的方向和模型参数用梯度做下降。如果我的样本量非常大，有100万、1000万，做梯度下降计算代价非常高。实际运用中，我们可以随机提出采样。极端情况下，可以只采用一个样本去估计梯度，比如包含50-100个样本的小样本集，它的梯度估计不准确，但计算代价非常低，这样能有效优化神经网络参数。如图，红线是随机梯度下降的结果，梯度估计不准所以路线较曲折。蓝线是典型的梯度下降结果，估计比较精确所以不会拐弯的路线。但最终都会去到最优解。虽然红色路线比较长，但它走每一步的代价明显更低，相对于随机梯度而言，整体效率还是更高。这是典型的横向联邦学习框架。设置里下面是客户端（client1,2,3，……，t）。蓝色云是服务端（Server）。横向联邦学习的设置是数据的不同样本存在不同用户端，这实际上是对传统分布式框架的改善。首先每个客户端训练模型，产生参数w1、w2、w3……wt,参数传到云端，服务端对模型做平均，得到 w-。服务端做完模型平均之后，每个客户端再下载模型w-，再对模型做几轮梯度下降或优化，再将模型上传到服务端，循环往复，形成这样一个迭代的过程。在这个过程中，客户端的数据并没有向服务端传递，传递的只是模型的参数w，保护了客户端数据的隐私。它与传统分布式学习的不同之处在于，后者在此传递的是梯度；在联邦学习里，客户端向服务端传的是模型的参数。实际上现在也有证明表示，梯度信息其实也能泄露不少数据信息，而模型参数经过几轮梯度下降后，对数据的保护会做得更好。如图，联邦Average（FedAvg）和 联邦SGD，前者实际使用代数明显更少，就可以收敛，SGD需要的代数明显更多。在很多setting里，在分布式学习里，通信代价通常会是瓶颈，这个差异意味着FedAvg能有效降低这一代价，提升了训练效率，同时也加强了对数据隐私的保护。在这个设置下，实际上服务端还是知道我的模型参数的，有没有可能进一步对我的模型参数加密和保护？其实不需要加密也有相当的安全性，但加密能对攻击、对服务端、对可能的数据欺诈有更好的防护。同态加密简单来讲，这是一个密码学的算法，主要操作是生成公钥和私钥，加密算子，应用到明文，产生密文；用私钥对密文解密，产生明文。同态加密的特点之一就是，两个数m1和m2的和同态加密，等于m1的同态加密加m2的同台加密；m和一个常数相乘的同态加密，等于对这个样本同态加密，再乘以常数。横向联盟学习+同态加密：和刚才的情况类似，传递参数过程中，可对w1……wt同态加密，然后在服务端对同态加密域做平均，以得到模型参数。在这一设置下，服务端不知道私钥，但客户端知道。服务端实际上不能对w-解密，甚至连模型参数也不知道，它只知道同态加密域，但没有私钥就没法解密。客户端下载参数，用自己的私钥解密，再更新自己的模型——因此同态加密也提升了数据安全性。横向联邦学习之人脸识别应用：人脸识别有多场景的数据收集，比如打卡的门禁数据、多角度监控、证件类数据等。甚至还有一些海外业务，海外数据不能传递到国内，联邦学习就能解决这个问题，有效提升在人证场景或配合式场景下的通过率。Q：各方的特征怎么对齐？在横向联邦学习，大家的特征集是一样的。举个例子，a方和b方都是人脸数据，那么模型取的就是人脸数据，可以规范化到一个图像标准，比如说128×128的头像，这样输入x就自然对齐了。除了同态加密，另一个在横向联邦学习应用较多的是差分方法，思路是在分布式学习的时候传递梯度，同时对梯度加噪，以噪声方式保证梯度安全性。纵向联邦学习假设两个公司各有数据的部分特征，同时 b方拥有数据的标记，可以用一个安全的方法对齐数据ID，再做纵向联邦学习。这通常需要一个合作者Collaborator（有些方式可能不需要），AB两方的数据交换都需要对它加密。此处设置为：合作者有公钥和私钥，两个机构a和b，分别都只有公钥，没有私钥，能通过加密保护自己的数据。得到同态加密域的梯度之后，会对梯度加噪声再送到合作者处，合作者会用自己的私钥解密，然后把梯度还给它。在各方得到自己的梯度之后，可以进行梯度下降。Q：若合作者方占主导地位，是否有泄露风险？这是实际操作中需要注意的问题，比如A方特征占10%，B方特征占90%，这块你能写出的方程数量明显少于参数数量，理论上是推不出来的，但随着不平衡性的增加，安全性也会下降。纵向联邦学习某种程度上，是有信息泄露的，但是从大方向说，它泄露的信息足够少以至于别人推不出来主要的特征。线性回归是一个典型的算法。在很多模型的应用中，当样本量较大，线性回归的性能或许不会很好。此处常用的方法之一是随机森林（random forest）。随机森林Step 1：随机森林会对原始特征采样（bootstrapped）。这个步骤是放回式采样，比如说100个训练样本，它会每次放回，然后做采样100个。完成采样后，每个数的训练样本就不一样了，都是原始训练样本衍生出来的。这样主要是为了增加数的随机性和多样性，在树的集成过程中会产生更好的效果。Step 2：建每一棵树时，在每个节点选择一个特征的一个随机子集。举个例子，这里有30位特征，建树时随机选择五维的特征；建每个节点时，随机选的5个特征都不一样，再从中挑选最好的特征，保了每个节点的多样性。建树过程中，可以是深度优先，然后走到叶子节点，直到它满足一个判据，完成树的分支搭建，最后再逐个预测。联邦随机森林大致思路是，主动方、被动方各一，主动方有标记，并加密标记和标记的平方，然后发送给被动方。此处三角号表示对yi、zi进行同态加密。加密后，被动方根据自己每一维的特征，当它的这维特征被整个机制选中的时候，它会针对这个特征做直方图，然后用直方图在同态加密域的yi和zi进行聚合。每一个直方图会把它划分成很多区间，在每个区间做平均，得到Y和Z。简单讲，主动方传同态加密后的y和zi是一个向量，该向量和样本数一样。被动方会对向量做聚合每次会选向量的一个子集，看哪个特征落到区间上，再对传递过来的yi和zi平均进行同态加密域的求和运算。在随机森林里，既要选取特征，也要选阈值，通过该阈值下的特征得分算出y的矩阵，矩阵还给主动方。此处主动方有公钥和密钥，被动方只有公钥无密钥，所以被动方无法解密y和z，它把Y和Z的矩阵传给主动方，后者会依所得进行解密，再计算每个特征和每个阈值的得分，择其得分高者，如此即可完成随机森林中一棵树的某节点构建。重复该过程可构建不同的树和整个随机森林。可以看到，主动方得到被动方的数据，实际只是得到聚合后自己发送的y和z，所以不知道被动方的特征，也很难推导出；被动方只知道主动方同态加密运送来的y和z，并不知道更多的信息，整个过程可以保证安全。何为快速安全的联邦学习框架？传统纵向联邦学习需要用同态加密进行保护，同态加密比较低效，我们是否能设计一个不依赖于同态加密的联邦学习框架？设计快速安全的联盟学习框架有如下特点：第一，隐私能得到保护；第二，利用树状通信结构，有效提升传输效率。利用不同的数聚合信息；第三，新框架支持异步计算，能再次提升数据安全性。同时整个过程只涉及一些内积（此处不确定）计算，包括加噪后内积传递，所以该框架下不会用到同态加密，效率更高。如图，模型隐私在传递过程中，会传递参数和特征的内积，再进行加噪保护，最终有数据结构的聚合。整个框架的安全性如何？可以从理论上证明，这个算法能有效抵御精确攻击和近似推理攻击。看主要算法步骤，在第二步可以看到聚合的是内积+噪声，以及聚合噪声，然后返回到coordinator计算所有参数和所有内积再减去聚合的噪声，得到决策值，不过此处并不得到模型参数，这也正是模型信息能被保护的原因。coordinator在此只知道内积，不知道参数，所以它也无法推断各参与方信息。实现过程要确保通信的安全，数据在通信过程中不会被联邦系统之外的攻击者所获取，也需要一个可信赖的第三方来进行调度。谁做coordinator？可以是监管机构，独立第三方机构等。原始数据主要通过两项：1.任一通信节点接收到的均为加噪声后的内积，由于树状结构的差异，随机数又无法被移离，内积值因此得到保护。2.即使在串通的情况下，多个节点能移离随机数，根据内积本身也只能构造出方程，也无法通过方程精确推断所含变量。有噪声、有内积，方程数明显少于变量数，树机制……这些多重机制都能保证安全性。刚才所讲的逻辑回归还是线性模型范畴，怎样把线性模型推广到非线性模型？这也是关键，推广的非线性模型精度会大幅提升。右边算法概念大致是：先产生随机特征，生成随机数，然后做cos生成随机特征；在随机特征域上，再做刚才提到的这种联盟学习框架，来完成随机特征的参数学习。随机特征这一步引入了非线性函数，它能很好逼近原始核函数。此处，各参与方会有一部分随机特征，特征上的模型参数也保留在各方，不为他人所知。全程将通过噪声、聚合等方式提升安全性。随机梯度下降法，是首次实现了快速安全的异步并行纵向联邦随机梯度算法，并理论上分析了其收敛率核问题的双随机梯度算法，则是首次实现了大规模、高速、安全的基于核方法的纵向联邦学习。测试性能结果对比如下。LIBSVM是很多同学在研究机器学习时常用的工具，PP-SVMV是一个隐私保护算法，FDSKL则是我们目前所设计的算法。可以看到训练时间的对比。PP-SVMV涉及核矩阵，因此在大样本上操作非常慢。FDSKL收敛速度与DSG类似，后者没有联邦学习的设置。FDSKL几乎达到了不在同态加密状态下的训练速度。精度结果对比如下。FDSKL也接近了原始的不用联邦学习的效果。京东数科的最新工作也将在KDD发表。区块链联邦学习区块链受到很大关注，数据上链有透明化、分布式、不能篡改等优势，它是一种不依赖第三方，通过自身分布式节点，进行网络数据存储验证传递和交流的技术方案。区块链的分布式、去中心化特点，和联邦也有一些关系。实际上，联邦学习在大型的多方参与项目中都有类似机制，也可以考虑采用去中心化。最简单的应用是，把联邦学习和区块链结合，建立在区块链上的联邦学习算法。我们也完成了二者更深层次的融合，包括共识机制等。我们认为二者的结合在未来会有越来越多的应用。区块链可以解决数的存储，具有不可篡改性，联邦学习能对数据隐私做表保护，其中有不少地方互补。互动问答精选问：联邦学习可以不加入加密技术，不加密是不是也算对数据隐私保护？还是说得进行加密后，才算是各方进行隐私保护？薄列峰：就像我刚才在横向联邦学习中提到的那样，第一种算法实际上不加密，是用均值进行保护，整个过程中并没有传递数据。不同类型的联邦学习算法，有不同方向的数据保护。现在的问题是，哪一种对信息的保护级别更高，效率更高？同态加密是一种方法；差分隐私基本上就是给梯度加噪。这方面，像我们刚才提到的方法，都是不用同态加密对数据保护的联邦学习算法。问：联盟学习在京东有实际的落地场景和业务吗？薄列峰：有，其实联邦学习就是在做多方机构的落地，比如人脸识别、营销、风控等场景，京东数科都有案例。问：联邦学习和边缘计算的区别是什么？薄列峰：边缘计算讲的是每个用户端有自己的计算设施；联邦学习讲的是对数据隐私的保护，同时合作建模。大概念上还是非常不一样。当然，在做这种分布式联盟协议的时候，它也会用到各自的客户端，有自己的计算设备，在这一点上它会和边缘计算有一些结合点。问：怎样保护在客户端的运算速度？薄列峰：客户端的运算速度，得靠其自身计算资源来进行保护。如果计算资源比较有限，通常它的数据也比较有限，参与更少的计算。如果数据比较多，它的计算资源也多，如果是多个机构合作，这都可以协调。问：实验中列出来的时间对比，是参与方与第三方之间通信，是内网还是外网？薄列峰：我们在实验比较时，没有特别考虑网络延迟因素，是相对理想情况下的比较。有网络延迟的话，在计算的情况就会增加网络延迟。网络延迟针对每次具体的setting并不一样，所以并不容易做标准化的比较。我们比较的是没有网络延迟的情况，具体有网络延迟或者有各种情况，可能还是需要在具体设置里做更好的处理。问：每个客户端上的特征异构以及标签异构如何理解？可以举个例子吗？薄列峰：这个看是水平联邦学习还是垂直联邦学习。在水平联邦学习情况下，各个客户端也有自己的标记。刚才我举了个例子，比如说image net，每一个有1000类，每一类有1000个样本，这样你有100万个样本。假设有100个客户端，然后每个客户端有1万个样本，它有1万个样本标记，然后大家可以用横向联盟学习框架，可以有效地利用每个人手上的样本来建模。最终，每个参与方建造的模型都用了别人的样本，但是又不会去实际获取别人的数据。在纵向联盟框架下，举个例子，大机构和小机构做完用户对齐，大机构作为主动方，小机构是被动方，各参与方都可以商讨解决。像横向联盟学习，在很多时候，参与方其实就是同一个公司的分布在不同的国家的情况，信任度实际上是有保证的。即使说不同的机构之间，大家也是有相互的信任度。如果完全没有信任度，要去做这样的联邦学习，可能还是比较难的。参与方可能会对整个框架进行攻击。它的安全性会变得更加复杂。所以，我们现在还是假设各参与方是honest，是相对比较协作的，在实际应用中是可以做很多协调的。问：目前在联邦学习研究遇到的瓶颈有哪些？是否有后续未来的规划？薄列峰：后续京东数科会在联邦学习上做大量的投入，因为我们认为联邦学习是整个人工智能，包括整个机器学习的基石，它有潜力去改变所有的机器学习算法。我们会做重点布局，研发越来越多的联邦学习算法，来进一步提升联盟学习在各个领域的落地，提升它的有效性和效率，包括和区块链结合这种前沿方向。我们既会去提供一些可信度较高的软件，同时也会去落地，考虑前沿的研究，带动整个联邦学习生态的建设。问：是否可以动态变更合作机构的数量？薄列峰：合作机构的数量，是可以变化的。在纵向联盟学习里，相对比较复杂。它不参与之后，可能有些东西需要重新开始。但横向联盟学习，相对比较容易，因为大家都是拥有不同的样本，假设有1000个参与方，两三个不参与，那就少了千分之2，千分之3的样本，并不影响整个联盟学习的框架。横向联盟学习里，也有一些机制，可以保证参与方突然不参与，还能完成这个模型的训练。问：联邦学习可以用于表情识别吗？薄列峰：可以。举个例子，不同机构之间有表情识别的不同数据，大家可以利用彼此的数据来增强模型，同时又不想把数据给到对方。表情识别更像是一个横向联盟学习问题，怎么激励大公司愿意跟小公司之间共享信息。我的个人理解，它还是商业利益的驱动问题，怎么鼓励这件事。如果现在联邦学习的整个框架，只有一个小公司参与，大公司可能缺乏热情，但是如果有1000个小公司参与，那么这样以小积多，有更越来越多的可供交换的数据，大公司参与的意愿就会变强。问：服务器端，共享梯度和共享模型参数有什么区别？薄列峰：共享模型参数是做了几轮梯度下降，针对共享梯度，它的一大优势是通信代价会低；同时，对整个梯度信息的保护，也会更好。关注「AI金融评论」，在对话框发送关键词“听课”进群，即可收看课程直播，和往期课程全部回放。雷锋网雷锋网
穆长春：央行数字货币不具炒作性，监管加密资产政策未变 新京报讯（记者 程维妙 张姝欣）在12月21日召开的“2019中国金融学会学术年会”上，央行数字货币研究所所长穆长春表示，央行研发的数字人民币，并不是大家理解的加密资产，而是人民币的数字化。他同时指出“币花不炒”，人民币是用来花的，不是用来炒作的，既不具有比特币的炒作特性，也不具有像稳定币一样需要货币篮子资产进行币值支撑的要求。 穆长春表示，常说的比特币、以太坊等私人数字货币，各国际组织实际上都定位为加密资产，并不能认定为货币。Facebook的天秤币因为设计中有资产支撑，大家称为稳定币，但在法律上和监管上如何定位和归类还需要观察。 对于加密资产怎么监管？穆长春表示，（2017年）七部委的通知很清楚，到目前为止这个监管政策没有改变。公开资料显示，2017年9月，央行等七部委发布了《关于防范代币发行融资风险的公告》。公告明确指出，ICO（首次币发行）为非法金融活动，严重扰乱金融秩序，叫停了国内所有代币融资项目。同时，责令所有境内数字货币交易所限期关闭。 穆长春还透露，目前人民银行数字货币DC/EP基本完成顶层设计、标准制定、功能研发、联调测试等工作。下一步将遵循稳步、安全、可控原则，合理选择试点验证地区、场景和服务范围，不断优化和丰富DC/EP功能，稳妥推进数字化形态法定货币出台应用。
登录
工商服务
危机公关
金融律师
app开发
财税服务
金融牌照
网站建设
知识产权
企业征信
审计评估