Qiang Yang
Может ли полезное машинное обучение происходить, когда данные, на которых вы обучали бы или оценивали систему, нельзя переместить в одно место — по юридическим причинам, из-за требований приватности или по коммерческим причинам.
Yang был соавтором фундаментального учебника по федеративному обучению, и его продолжающаяся исследовательская линия — сначала в HKUST, а теперь также через WeBank — касается той же проблемы в промышленном масштабе: строить ML-системы, в которых несколько организаций вносят данные, но сами данные никогда не покидают их периметр. Предыдущий учебник по transfer learning ставил родственный вопрос: когда знание из одной задачи или домена может с пользой перейти в другой. Для ai100, который сейчас аудитирует движки по поведению на публичных запросах, но однажды может столкнуться с необходимостью оценивать поведение модели на данных, которые владельцы брендов не могут опубликовать, методология федеративной оценки — это литература, где уже разобраны компромиссы между приватностью и полезностью.