你还记得大名鼎鼎的超文本传输协议（HTTP）协议吗？作为互联网应用最为广泛的一种网络传输协议之一，它的出现奠定了整个互联网时代数据通信的基础。现在，联邦学习领域的“HTTP协议”也诞生了！由同盾科技人工智能研究院自主研发的标准化联邦交互协议：FLEX（Federated Learning EXchange）近日在全球最大的开源社区平台GitHub上开源，也在人工智能顶会NeurIPS的联邦学习研讨会SpicyFL 2020上首次公布。联邦学习的发展即将拉开新的篇章。联邦学习体系林立，更广阔的空间亟需打通“看联邦学习了么？最近又有什么新的技术进展！”这大概是人工智能从业者常挂在嘴边的一句话。作为时下最火的数据安全类技术之一，联邦学习已经走入了银行、证券、保险、医疗、政务、城市管理等各类应用场景。这有着深刻的时代背景。社会进入互联网时代至今，企业生产、管理，运营过程的数字化已经在许多行业逐步实现，数据的积累和数据价值的挖掘成为目前关注的重点。除了应用自身积累的数据资源外，使用其他企业机构、其他行业有价值的数据自然成为破解难题的方法之一。与之对应的，如何在使用过程中保障数据的安全，保障个人隐私不被泄露，禁止未授权数据被不当地传播、存储和使用成为了难题。联邦学习被视为化解这个难题的绝佳技术。联邦学习(Federated Learning)的本质是一种分布式机器学习技术，可以在不交换数据样本的情况下，在多个分散的边缘设备或服务器上训练算法。以达到在数据“可用不可见”的基础上进行安全联合建模的作用。2017年谷歌AI在《联合学习：协作机器学习没有集中训练数据》的博客文章中首次引入“联邦学习”的概念。2019年，谷歌实现了首个产品级的联邦学习系统，主要侧重针对C端，在移动手机上运行的联邦平均算法和分析。在国内，以同盾科技知识联邦体系为代表的科技力量，针对B端对于联邦学习技术的研究和应用也在如火如荼地展开，提升到高级别的联邦学习，致力于最终打造可信AI 3.0，帮助中国率先实现下一代人工智能的突破。随着越来越多的机构投身到联邦学习领域，除带来技术的跃迁之外，各联邦之间也出现了一种山头林立、体系割裂的趋势，联邦学习技术的初衷就是为打破数据孤岛而生，而如今却可能带来了新的“孤岛”现象，那么有没有一种方法能打通这么多不同的联邦学习技术架构和应用体系，让联邦能在更广的疆域和空间尺度展开呢？同盾科技近期开源的FLEX协议为这个宏大的设想提供了方案。FLEX 何以定义新时代的到来？“目前市场上各家开发的联邦学习产品五花八门，在实际应用上各不兼容，这就形成了产品上新的数据孤岛和系统孤岛。”同盾科技合伙人、人工智能研究院院长李晓林教授谈起开源FLEX的初衷时表示，他也在NeurIPS-SpicyFL 2020研讨会的圆桌论坛上宣布FLEX开源，不但打破数据孤岛，而且打破系统孤岛。我们希望未来联邦学习技术能够真正成为数据价值互联互通的桥梁和纽带，这就需要有一套标准化的联邦协议去定义技术交互流程，我们的FLEX协议做到的就是这样的事情。FLEX(Federated Learning EXchange，FLEX)是同盾科技人工智能研究院为知识联邦体系打造的一套标准化的联邦协议。它约定了联邦过程中参与方之间的数据交换顺序，以及在交换前后采用的数据加解密方法。只要参与各方能够遵守这些约定，就可以安全地加入到联邦中提供数据或使用联邦服务。FLEX协议主要包括两层内容：应用协议：这一层协议是面向联邦算法的，为联邦算法提供多方数据交换的应用支撑。协议中会约定多方间数据交换的顺序和采用的具体密码算法。联邦过程中采用的通信协议也会被封装在这里。公共组件：是上层应用协议所依赖的基础密码算法和安全协议，比如同态加密、秘密分享等。在整个FLEX协议中，对于基础架构、通信和安全三方面进行了详细的阐述和约定，适用于跨特征、跨样本和迁移联邦学习三种场景下的多种不同算法，清晰的对联邦学习技术过程中联邦共享、联邦预处理、联邦计算、联邦训练、联邦预测、公共组件和联邦安全性等流程进行了阐释和约定，是当前首个开源并定义完整的标准化联邦协议。同盾科技FLEX协议的开发与开源为联邦学习技术的发展应用奠定了更好的基础。通过FLEX协议，各类高校、研究机构、企业和个人可以对联邦学习技术的开发实现与安全性检测进行更进一步的研究与验证，促进不同行业更快落地联邦应用。比如在智慧金融领域，FLEX定义的联邦技术可以应用在反欺诈、反洗钱、智能风控、用户画像挖掘、智能交叉营销等场景，帮助金融机构打通内部各部门的数据价值，并利用更多不同外部数据源的价值。在智慧政务领域，政府部门不同委办局的数据将能够在统一的联邦平台上打通，为政府管理和百姓生活提供更好的支持保障。在智慧医疗领域，不同医院的就诊数据、病史信息能够利用联邦模式共享，为医学研究发展和百姓的就医提供便利。目前，同盾科技的FLEX协议已经在GitHub上进行了开源，后续也将逐步进行完善和更新。李晓林教授对于FLEX协议充满了期待：“我们非常欢迎和希望业界研究使用FLEX协议，也希望更多对联邦学习技术感兴趣的人能够加入到技术的探讨和优化中来，这正是我们开源协议的意义。”近年来，同盾科技人工智能研究院在联邦学习领域不断取得重要突破，已经成为行业内一支重要的领军力量，FLEX协议的诞生不仅是研究院自身发展的一件历史性时刻，相信它也将为国内联邦学习的发展做出重要贡献。附：GitHub链接：请戳此处
路透中文网11日公布美联储6月9日-10日的货币政策声明全文。 声明称，美联储致力于在这个充满挑战的时期，利用其各种工具来支持美国经济，从而促进实现其最大就业和物价稳定的目标。 美联储声明说，新冠肺炎疫情在美国和世界各地造成了巨大的人员和经济困难。这种病毒和为保护公众健康而采取的措施正在导致经济活动的急剧下降和失业人数的激增。需求下滑和油价崩跌拉低了消费物价通胀。金融状况有所改善，这在一定程度上反映了支持经济的政策措施以及流向美国家庭和企业的信贷。 声明指出，持续的公共卫生危机将在短期内严重影响经济活动、就业和通胀，并对中期经济前景构成相当大的风险。鉴于这些发展，委员会决定将联邦基金利率的目标区间维持在0-0.25%。委员会预计将维持这一目标区间，直到它确信美国经济经受住了近期事件的考验，并有望实现其最大就业和物价稳定目标。 委员会将继续关注后续信息对经济前景的影响，包括公共卫生相关信息，以及全球形势发展与低迷的通胀压力，还将利用其工具以及采取适当的行动支撑经济。在决定未来货币政策调整的时机与规模时，委员会将评估与其充分就业目标及2%对称通胀目标相关的实际与预期的经济情况。该评估将把广泛讯息纳入考量，包括劳动力市场指标、通胀压力与通胀预期指标，以及金融与国际形势发展的数据。 声明指出，为了支持信贷流向家庭和企业，在未来几个月美联储将至少按目前的速度增加其持有的美国公债和机构住宅和商业抵押贷款支持证券(MBS)，以维持平稳的市场运作，从而促进货币政策向更广泛金融环境的有效传导。此外，联邦公开市场委员会将继续提供大规模的隔夜和定期回购协议操作。委员会将密切监测市场情况，并准备适当调整其计划。 投票赞成美联储货币政策决议的FOMC委员包括：美联储主席鲍威尔、副主席威廉姆斯、理事鲍曼、理事布雷纳德、副主席克拉里达、费城联邦储备银行总裁哈克、达拉斯联邦储备银行总裁柯普朗、明尼亚波利斯联邦储备银行总裁卡什卡利、克利夫兰联邦储备银行总裁梅斯特和金融监管副主席夸尔斯。(中新经纬APP）
美联储：维持联邦基金利率目标区间在零至0.25%之间 新华社快讯：美国联邦储备委员会16日宣布维持联邦基金利率目标区间在零至0.25%之间，符合市场预期。
德国联邦财政部10日表示，2021年德国各级政府财政税收收入预计将增长7.7%至7729亿欧元，较今年5月预期少196亿欧元。 联邦财政部还预计，今年税收收入将比去年下降10.2%。联邦财政部在一份声明中表示，为缓解新冠疫情对经济的冲击，德国采取了临时降低增值税等举措，这将导致税收收入减少数百亿欧元。预计到2022年，税收收入才有可能恢复至新冠疫情暴发前水平。 联邦财政部长肖尔茨当天表示，联邦政府正竭尽全力确保德国顺利渡过危机，税收收入减少在预期范围之内，预计2021年仍将举债提振经济。 据德国联邦统计局此前公布的数据，今年上半年，德国各级政府税收收入较去年同期下降8.1%，财政赤字约为516亿欧元。
2020年8月7日-9日，第五届CCF-GAIR全球人工智能与机器人峰会，于深圳隆重举办。此次峰会由中国计算机学会主办，香港中文大学（深圳）、雷锋网联合承办，鹏城实验室、深圳市人工智能与机器人研究院协办。在8月9日的「AI金融专场」中，《AI金融评论》邀请了6位最具代表性的顶尖AI金融专家，分享能够代表未来10年风向的智能技术方法论、产品逻辑和风险管理理念。首先登场的，是微众银行首席AI官杨强教授。联邦学习和隐私计算，是今年所有金融巨鳄和科技寡头们，都在重点布局的重要技术方向。作为这一领域的全球领军人物，杨强也在会上带来了他在前沿研究与产业应用的真知灼见。以下为杨强教授演讲全文，雷锋网AI金融评论做了不改变原意的整理：先简单介绍一下，微众到现在有五年的历史了，目前有大概两亿的个人用户，还有将近百万的小微企业用户。这么短的时间可以获得这么大的用户群，应该说很大程度上是取决于技术上的创新，包括云计算、大数据和人工智能。其中一大亮点就是做连接，把不同的企业连接成一个生态。在这个过程当中，AI是不可或缺的——正如今天的主题：AI到底在金融界能起到什么作用？我们在很短的时间内汇聚了很多人才，这些人才主要在四个方面把互联网银行大致规模化、模型化了。这四个团队把微众银行内部和外部的业务过程、经验总结成了模型，这些模型可以供应给其他行业一键下载、一键装配，比如可以做营销、服务、资产管理，把金融的前台和后台都包括了。迁移学习和联邦学习也是如今比较突出的两项技术，可以把整个金融业务再往前推进一步。我们可以把未来的银行想像成从左到右的流程，最左边的是获客，这是任何企业都需要做的，要找到有价值的客户，对客户进行安全评估、风险信用评估，尽早发现可能的欺诈行为。评估办法之一是参考央行的征信数据，但国内很多人没有征信数据（信用分），而且它只是一个维度，所以我们需要把维度变得更加丰富。还有运营、监管、对沉睡用户的唤醒、7×24小时的客户服务，里面都有人工智能的影子。分布性数据隐私保护、联合建模的挑战和需求在所有这些过程当中有一个主线：如何能够顺利把尽量多的数据用起来。我们联邦学习的宗旨是数据不动模型动，这是一个做法，目标就是数据可用不可见：数据可以用，但是别人的数据我是见不到的，所以可以把数据加入到生态里面来共同建模，一些散乱的小数据就可以成为虚拟的大数据，这是我们的思想。这个思想的初衷其实是，现在很多行业并没有真正意义上的大数据，像在金融里面有很多的数据，其实是黑天鹅现象。比方说在反洗钱应用中用于模型训练的洗钱案例，其实数量并没有想象中那么多，还是属于少数现象。这种数据拿它来训练，效果不是很好。如果要用人工智能改变很多行业的话，其实都没有高质量、有标注、不断更新的数据。第四范式公司在实践当中就发现，如果要为大额贷款做一个营销模型或风控模型，数据往往是在上百例以内，这点样本是没有办法训练一个好的深度模型的，所以他们的做法是从小额贷款到大额贷款做迁移学习。每个人也都有手机，手机都是联到云端的，每个手机上的数据，每时每刻都在更新，都有新的图片、新的声音、新的文章可以点击，每个手机上的信息又是私密的，如何保证私密不传出去，又能让云端的大数据模型得到更新呢？大家都熟悉无人车，比如有一千辆无人车，每辆车见到的数据都是有限的，我们能不能让一千辆车的数据汇聚成一个虚拟的大数据，同时又不暴露某个车看到的某个场景？这就是分布性数据隐私、联合建模的挑战和需求——能不能把小数据聚合起来成为大数据？问题是，现在监管和社会的要求也非常严格，老百姓、社会对于技术工作者的要求是首先要保护隐私。政府也纷纷立法，比如欧洲建立了GDPR的数据法规。我们国内也有相关的保护法，在国家层面、地区层面，大家都在探索类似于、甚至更加严格于GDPR的数据法规。所以，简单粗暴地把数据从A传到B是违法的。透视联邦学习联邦学习，“邦”的意思是每个实体参与者地位都是相同的，无论大小，提供的价值才是他们存在的意义。“联”就是用一种方式把它们联起来，把隐私保护起来，同时又可以做一些有意义的事情。用一个简单的例子来解释：假设用一只羊来类比机器学习模型，草就是数据，我们希望羊吃了草以后能够长大。过去的做法是，把草买到一起来建立模型。比方说左边的模型，左边的箭头是指向羊的。羊不动，但是草被购买到中心。相当于简单粗暴地获取数据，形成大数据，来建立模型。但我们希望能够保护各自的隐私，所以让草不动，让羊动。这样羊既能吃那个地方的草，主人又不知道到底吃了哪些草，久而久之羊就长大了——这个就是联邦学习的新思路，就是让草不出草场，本地主人无法知道羊吃了哪些草，但是羊还是长大了。这个思想的关键是，当我们的模型从一个地方传到另外一个地方的时候，要传尽量少的东西，同时传的模型参数要被加密。图右这些带有一个框的W就是加密的意思，在本地加密，就只能在本地解密。现在有一种穿透式的加密，把所有的加密包放在云端的时候，还可以对它进行更新操作。比如对这个模型的集成更新，用集成学习。谷歌就提出了“对模型联邦平均”的做法，还有其他比较复杂的方法如神经网络等。这种做法分两种数据格式，一种格式是把样本分割，放在终端，像图左边所表示的一样，这是横向联邦。还有一种是纵向联邦，沿着特征把数据分成几块，每一块属于一个机构。比如有两家医院，双方数据可能在用户上有很多重叠，可是在特征上面没有很多重复。比如其中一家医院做的是胸片，另外一家做的是核酸检测，如果联合就可以做更好的模型。但出于隐私或利益等原因，他们不愿意互传。这时就可以用如图所示的方式，可以让一方的数据在加密状态下传到另一方，参与模型更新，重复多次后得到最优化的模型。有新用户的时候也是通过加密传输，使中间结果得到运算。纵向联邦适合to B的场景，横向联邦适合to C的场景。谷歌用的比较多的是横向，我们微众用的比较多的就是纵向，当然也有混合的用法，横向中有纵向，纵向中有横向。在座的朋友们可能会问，联邦学习跟以前的分布式AI、参数服务器、联邦数据库有什么区别？过去，分布式AI和联邦数据库里面，数据的形态、分布、表征都是一样的，是同类的。在联邦学习里面，它们可以是异构的，特征不一样，分布也不一样。从机器学习的角度来说，更加复杂。同时，隐私保护是第一性的要求。过去，分布式AI和联邦数据库都是在一个数据的功能下，把数据分布在不同的数据库，目的是并行计算、提高效率。但是现在数据本身属于不同的属主，所以需要做加密情况下保护隐私的计算。可能还有听众想问，假如在多个参与者中，有一个参与者是坏人怎么办？他在努力猜你的数据，甚至在做数据的“下毒”，比如故意标注一些错误的信息，就有可能把最终的模型变成对自己有利的方向，这也是有可能的。如果原始数据是0，在OCR的场景下，另一方可以不断地接受对方的梯度猜出对方的数据。如果百分之百地采用同态加密，用联邦学习的方法，这种情况就不会发生。联邦学习的特点是引入了生态的维持机制，也就是经济学机制。如果要让联盟能够持续下去，每个参与者都要感觉到作用和收益是成正比的，这就要引入经济学或者博弈论的机制来保证持续的平衡点。总结一下，其中有很多工作要做，包括安全合规，这是跟法律层面、跟政府层面合作；有防御攻击，还有算法效率，技术应用、还有激励机制，要引入很多经济学家的工作。举个例子，因为联邦学习是一个大的框架，所以有各种各样落地的场景。比如推荐场景，大家用抖音、用头条、用电商，这个时候都离不开个性化的推荐，但是推荐是数据越多越好。如果数据来自不同方，过去是把数据买到本地来进行推荐模型的建立。可以用联邦学习来解决这个问题，这个做法是“联邦推荐”。最近我们把联邦推荐的算法应用在广告推荐的场景上，用各方的数据，最后广告推荐的场景可以个性化，但是数据可以不出本地。联邦学习如何为金融发挥作用？应用在信贷和征信系统，我们希望利用大数据建立360度的用户和企业画像，参加建立更好的征信。但是联邦学习出现以前都没有很好的技术，大家都不参与到这个生态里面，担心自己的数据被偷走。用了联邦学习以后就可以做这个尝试。比如这个尝试是一家银行和票据公司的合作，数据都不出本地，银行所提供的是这个用户贷款的关键数据，合作企业提供的是企业的交易数据，这种交易数据为企业的活跃度提供了很多的信息，这两个数据进行联邦，可以让坏账率大幅度降低。应用在计算机视觉，每个库房都有很多摄像头监控本地的库存，可以用不同视觉公司的监控数据进行供应链联邦。更多跨领域的应用，比如监管和银行、互联网和电商、互联网和医院，都可以进行联邦。建立这样一个生态，离不开行业标准。我们推进建立的IEEE国际标准这个月也会出台，国家层面也有标准。我们也推出了开源软件FATE。我用微众银行的典型案例进行总结，刚才说的联邦技术贯穿了所有前台和后台。比如智能营销，引入联邦学习以后，可以把不同的数据源结合起来，让营销提高点击率。特别受关注的是点击之后用户有没有转化、有没有变成你的用户，这个过程需要更多的数据支持，这些数据往往来源于合作者，利用联邦学习的效果可以大幅度提高20%以上。反欺诈方面，可以在人脸识别、语音识别方面都可以大幅度提高效率。风控方面，也是利用大数据把金融公司和非金融公司联成生态，大家在这个生态里面进行数据价值的交易。还可以利用另类数据，比如把卫星数据、电信数据、非传统财报数据联合起来，可以实时为投资者服务。如何唤醒沉睡的、有价值的用户？也可以用联邦学习识别这个客户有没有重新跟你合作的意愿。我们的经验是在当前这个经济形势下，是非常好的金融场景。7×24小时的机器人服务，微众现在有98%以上是机器人在做后台服务，包括对话系统、客户服务、服务当中的监管、质量检测、智能监控、反洗钱，把细碎的小数据联系起来，变成可用数据。以上就是我们的经验和总结，谢谢大家。
据美联社报道，当地时间14日早上，美国最高法院撤销了几小时前由一名审判法官发布的死刑推迟执行命令，为恢复对联邦监狱囚犯死刑扫清道路。不过目前尚不清楚17年来首次执行死刑的时间。 法官们投票同意自2003年以来第一次执行联邦层面的死刑，执行地点在印第安纳州特雷霍特监狱。丹尼尔·刘易斯·李原定于在13日下午4点接受致命剂量的强力镇静剂戊巴比妥。但是美国地区法官坦尼娅·丘特坎当天早晨发布了阻止李被执行处决的法庭命令。 在最高法院采取行动前，华盛顿的联邦上诉法庭拒绝了特朗普政府介入本案的请求。目前李的律师称，根据联邦法规，在午夜后仍然不能执行死刑。 本周还有另外两起死刑执行，分别是当地时间15日韦斯利（Wesley Ira Purkey）和当地时间17日的达斯廷（Dustin Lee Honken）的死刑。第四名死刑犯基思·德韦恩·内恩松将于8月执行死刑。
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