English Español Français Deutsch
← Zurück zur Liste
Grundlegende Persönlichkeiten Grundlegende Persönlichkeiten Methodisch benachbart

Qiang Yang

Ob nützliches maschinelles Lernen möglich ist, wenn die Daten, auf denen trainiert oder evaluiert würde, nicht an einen einzigen Ort bewegt werden können — aus rechtlichen, Datenschutz- oder kommerziellen Gründen.

Yang war Mitautor des Grundlagenlehrbuchs zu Federated Learning, und seine laufende Forschungslinie — zunächst an HKUST und heute auch über WeBank — behandelt dasselbe Problem im Industriemaßstab: ML-Systeme bauen, in denen mehrere Organisationen Daten beitragen, ohne dass diese Daten je ihre jeweilige Umgebung verlassen. Das frühere Transfer-Learning-Lehrbuch stellte die verwandte Frage, wann Wissen aus einer Aufgabe oder Domäne sinnvoll in eine andere übertragen werden kann. Für ai100, das derzeit Engines anhand ihres Verhaltens bei öffentlichen Suchanfragen auditiert, aber eines Tages Modellverhalten auf Daten evaluieren müssen könnte, die Markeninhaber nicht veröffentlichen können, ist Methodik für föderierte Evaluation die Literatur, die die Datenschutz-gegen-Nutzen-Abwägungen bereits ausgearbeitet hat.

Lesenswert, wenn
man ML-Systeme auf Daten evaluieren oder trainieren muss, die verteilt bleiben müssen, und die Methodik sucht, die die Federated-Learning-Community über ein Jahrzehnt entwickelt hat.
Themen
Grundlagen des Federated Learning; Transfer Learning über Aufgaben und Domänen hinweg; Datenschutz-gegen-Nutzen-Abwägungen in verteilter ML-Evaluation.
Zentrale Arbeiten
„Federated Machine Learning: Concept and Applications“ Grundlagenpaper (2019); Transfer-Learning-Lehrbuch (mehrere Auflagen); langjähriges Werk an HKUST und WeBank zu föderierter KI.