在人工智能(AI)发展的同时,用户个人信息侵害问题日益严重,如今能够解决这一问题的联邦学习核心技术已经出现。预计将有助于信息技术(IT)企业关注的端侧(On-Device)AI学习。
UNIST(蔚山科学技术院)人工智能研究生院尹成焕教授团队1日表示,已开发出既能保护个人信息又能提升AI性能的FedGF(Federated Learning for Global Flatness)技术。预计将解决用户数据泄露问题。
研究团队开发出在各种用户数据分布情况下都能稳定实现高性能的方法。现有技术仅在与用户数据分布相似的环境中表现优异,在其他环境中性能较低。
联邦学习通过在用户设备上训练深度学习模型来保护个人信息,但因数据差异导致性能存在局限。FedGF不将数据发送至中央服务器,而是通过各设备上训练的模型构建经过优化的模型,实现了高准确率。
FedGF的效率也十分出色。相比现有方法,可用更少的通信资源完成完整的学习,对使用Wi-Fi等无线通信的移动设备尤为有利。
尹成焕教授表示:“联邦学习技术将成为解决AI个人信息侵害问题的关键跳板”,“将对克服IT大型科技企业的个人信息问题和分布式数据异质性提供极大帮助”。
第一作者李泰焕研究员补充说:“借助FedGF技术,企业可在不侵害个人信息的前提下获得高性能AI模型,将在IT、医疗、自动驾驶等多个领域发挥重要作用”。
研究成果已于7月20日在世界性国际学术会议ICML(International Conference on Machine Learning)上在线发表。该研究通过韩国科学技术情报通信部支持的信息保护国际共同研究及信息通信广播创新人才培养项目开展。






