蚂蚁室验室联邦学习算法科学研究中稿AAAI-21

　　蚂蚁室验室在人工智能技术顶尖学术会AAAI 2021中迈入喜事连连(603008,股吧)。蚂蚁安全性天筭试验室、设备智能化精英团队端云共享资源智能化算法精英团队组员申书恒（好听的花名永岩），以第一作者真实身份进行的联邦学习算法科学研究《STL-SGD：Speeding Up Local SGD with Stagewise Communication Period》取得成功被AAA1-21百度收录。它是蚂蚁安全性天筭试验室中稿AAAI-21的第二篇毕业论文，另外也是蚂蚁室验室于2020年中稿全世界顶尖大会的第9篇毕业论文。

　　伴随着群众和领域对客户隐私保护的日益高度重视，对于网络信息安全的隐私保护技术性愈发关键，联邦学习是根据隐私保护的设备学习建模的关键方法。但领域在运用联邦学习时普遍现象一个关键困扰：应用联邦学习在端云协同模型时，必须消耗较长的時间开展实体模型训炼，通讯成本过高。

　　现阶段业内流行的联邦学习模型算法为FedAvg(Local SGD)算法，其相对性于传统式的FedSGD算法在通讯高效率上早已能完成5-10倍的提高。这篇毕业论文科学研究最先证实了通讯周期时间和学习率成反比例关系，并根据此发觉恰当地设计方案了逐环节调节学习率和通讯周期时间的STL-SGD算法，进而在理论上做到了更低的通讯复杂性，在强凸、一般凸、非凸 PL标准三种一般性设置下，完成了SOTA。在试验特性层面，针对凸和非凸难题，所明确提出的STL-SGD算法相对性于FedAvg在云计算平台集在均完成了2-5倍的通讯高效率加快，在加快联邦学习模型场景上迈开了一大步。

　　开启APP阅读文章最新消息联邦学习仍然是现阶段工业领域根据隐私保护合理的设备建模学习方式 ，未来展望此项科研成果在未来的落地式运用，STL-SGD有希望在端云风险控制情景的端云协同模型中，合理提高联邦学习模型高效率和实体模型特性，进而完成迅速的实体模型迭代更新。让将来风险控制在恪守隐私保护的另外，提高风险控制情景下与灰产博奕的防御高效率，为客户给予更强的安全防范措施。

　　蚂蚁安全性天筭试验室归属于蚂蚁安全性九大试验室之一，紧紧围绕智能风控和风控系统技术性，探寻安全领域的深度学习等最前沿难题，专注于打造出全世界领跑的智能风控管理体系。蚂蚁安全性天筭试验室也是守卫支付宝钱包你敢付我敢赔服务承诺的骨干力量。