京东数科自研联邦学习平台Fedlearn正式亮相

利来国际最给利的老牌 2020-10-12 19:34 阅读:159

  近日,京东数字科技集团(简称:京东数科)正式推出自主研发的联邦学习平台——Fedlearn,旨在更好地挖掘数据价值,实现多方共赢的机器学习,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。

  Fedlearn平台该平台具有三大特点。第一,在数据和模型隐私方面,不同参与方之间没有直接交换本地数据和模型参数,而是交换更新参数所需的中间数值。同时,为了避免从这些中间数值中恢复数据信息,采用增加扰动对这些数值进行保护,确保了数据和模型的隐私安全。其次,在通讯方面,引入中心化数据交换的概念,使得数据的交换独立于参与方。最后,采用异步计算框架,极大地提高了模型训练的速度。

  融合了密码学、机器学习、区块链等联邦学习算法的Fedlearn平台,搭建出一套安全、智能、高效的链接平台,在各机构数据不用向外传输的前提下,通过联合多方机构数据,实现共同构建模型等多方数据联合使用场景,获得加成效应。相较于传统的数据共享交换方法,Fedlearn平台创新性地提出了并行加密算法、异步计算框架、创新联邦学习等技术架构,在保证数据安全的前提下提升学习效率,并逐步达到融合亿级规模数据的能力。

  在京东数科开发Fedlearn平台的过程中,实现了“基于核的非线性联邦学习算法”。在安全性上,这一方法不传输原始样本及梯度信息,充分保护数据隐私;在快速性方面,这一方法使用首创的双随机梯度下降,大大提高计算速度,充分利用计算资源,通过增加扰动提高数据的安全保护。这一技术创新已经形成了论文《解决多方垂直联邦学习的安全核学习算法》(Federated Doubly Stochastic Kernel Learning for Vertically Partitioned Data)。

  京东数科风险管理中心智能模型部负责人彭南博表示,“在京东数科风控‘联邦模盒’产品业务实践中,着实取得较于传统联合建模更优的效果”。究其原因,一方面,联邦学习理论上是能够获得最优解的,即通过梯度下降迭代过程,可以实现联邦间的特征组合和交叉建模,从而解决如“异或”这样的非线性问题;另一方面,由于能够保护数据隐私安全,因此无需限制建模样本的数量,使联邦学习可以使用更多数据建模,基于大数据更有效发现数据规律,进而提升模型效果。

  目前京东数科金条、白条业务模型已经全面实现了传统建模向联邦建模的升级,联邦模式下模型的风险识别能力和流量转化率均得到了提升。除了在风控方面的应用,AI+智能城市领域,京东数科自研的联邦学习平台——Fedlearn平台也有广泛应用。

  除此之外,京东数科依托在金融服务、数字营销等领域积累的丰富实践经验,形成了多场景的解决方案,通过联邦学习可以实现多场景的解决方案升级,结合各个客户的自身情况,提供定制化程度更高的服务。目前,已实现多个不同类型的合作项目落地。

  从底层代码到算法再到平台搭建,京东数科始终坚持自主研究创新,一路稳扎稳打。“我们希望依托数科强大的AI技术背景,通过Fedlearn平台的科技能力输出助力用户和产业实现‘联结’,为各种规模企业实现赋能和增长,这也是我们作为联邦学习应用落地领军者的使命”,薄列峰表示。

版权声明
本文由利来国际最给利的老牌整理发布,转载请注明出自京东数科自研联邦学习平台Fedlearn正式亮相http://www.0763cx.com/news/4888.html