交换的只是共有的识别符，将各自拥有的同样用户的差异特征作为输入，企业在处理惩罚数据时，需以掩护隐私、安全合规为出发点，以实现双赢的场所排场，不要被数据的力量冲昏了头脑，人工智能大数据公司因为违反相关规则而被罚巨额罚款，近日，人工智能企业在分享数据的同时应遵守哪些品德原则？隐私掩护规则对付AI的成长与落地而言是机遇还是挑战？更强大的数据掩护规则是否会减缓AI的成长速度？在日前召开的第28届国际人工智能联合会议（IJCAI）上。

AI与用户隐私的平衡问题会连续陪同AI的成长，双方的模型性能都得到了提高，，在加密状态下用减法找出共有的部分用户， 目前，”杨强说，用透明的机制来保障人工智能的健康成长。

二者的关系需要被正确看待，”微众银行AI部高级研究员刘洋介绍， 如何解决AI应用中呈现的“数据孤岛”和用户隐私难题？国际人工智能联合会议2019理事会主席、微众银行首席人工智能官杨强给出了解决方案：“联邦学习或是解决这两个焦点问题的同一个解决思路，用户隐私问题再次回归公共视野，”杨强举例，双方不能互相反推出对方拥有的、本身没有的特征，用户隐私问题越来越受到重视，该条例要求公司在使用数据前要先向用户声明模型的感化，此中部分用户是重合的，操纵双方的数据实现模型增长，联邦学习可以解决这两大问题，数据处理惩罚与隐私掩护并不是一场‘零和博弈’的关系。

杨强暗示。

需要重点考虑用户的知情权， “联邦学习但愿在不共享数据的前提下，联邦学习的成长供给了新思路，（记者 马爱平） (责编：王艳、赵怡) ， “数据安全和用户隐私目前已成为大数据时代的两大挑战。

多项测试证明了给定模型参数，业内专家提出了当今各行业在处理惩罚数据、实现AI落地需要配合面对的多个问题，对付金融、医疗及法令等数据敏感行业愈甚。

”华盛顿大学传授、D. E. Shaw机器学习团队董事总经理兼卖力人佩德罗·多明戈斯认为。

联邦学习已经应用于多个行业的业务板块，首先通过加密交换的手段，联邦学习的做法是，因此这并不违反《数据隐私掩护条例》，双方将这部分数据提取出来，因此用户隐私仍然得到了掩护， “在《通用数据掩护条例》等隐私掩护条款实施的前提下，迭代地进行训练模型、交换参数的历程，然后，未来，台湾YYC齿条，” 什么是联邦学习？“在掩护数据隐私、满足正当合规要求的前提下。

原标题：联邦学习或可破解 机器学习数据获取难题 跟着人工智能的不绝成长与落地，假设两家公司想要成立一个用户画像模型，新一代的机器学习算法框架，继续进行机器学习，包袱起相应的社会责任，在不违反《数据隐私掩护条例》的情况下，成立用户的识别符并进行沟通，开始联邦学习的配景是欧盟通过了《数据隐私掩护条例》，。

这份条例的实行让很多大数据公司在数据交流方面很是谨慎，这对付极度依赖数据的机器学习是一个巨大的挑战，这部分研究被称为联邦学习。

因为要害用户信息并没有得到交换。