联邦学习让机器人更“聪明”,打通“数据孤岛”,还能兼顾隐私

智东西(公众号:zhidxcom)
编译 | 徐珊
编辑 | 云鹏

智东西7月12日消息,据外媒Tech Xplore报道,多国研究人员正在联合研究一种新方法,他们希望通过联邦学习的方法,让分拣机器人更“聪明”。

“我们正研究如何让AI利用算法分析分拣机器人的训练数据,并提出更强大、更高效的分拣方案”,物料搬运和物流研究所(IFL)的乔纳森·奥伯勒(Jonathan Auberle)表示。

2016年,McMahan等人首次提出“联邦学习”这一术语。联邦学习实际上是指一种加密的分布式机器学习,可以让各方参与者在不披露底层数据的前提下共建模型。该方案不但能获得更多参与者的信任,而且也打通了机器之间的“数据孤岛”,开始走向“共同发展”。

尽管联邦学习已经提出了5年时间,但依旧面临一些难题。比如,数据传输效率过慢,联邦学习需要传输大量的数据,其数据传输效率对联邦学习的落地应用较为关键。

联邦学习让机器人更“聪明”,打通“数据孤岛”,还能兼顾隐私

一、新算法将协助分拣机器人实现联邦学习

奥伯勒提到,他们希望获得来自不同的分拣站点、工厂和公司分拣机器人机器学习的数据。因为不同类型的分拣机器人机器学习的方式不同。他们想要得到每天正在“打工”的分拣机器人,它们的机器学习数据,而不是某一个分拣机器人的机器学习数据。但这些数据往往会涉及一些敏感数据和公司机密,如产品数据等。

为了解决这一问题,研究人员表示他们希望通过新算法,让不同场景的分拣机器人在不涉及敏感数据的情况下相互学习,即实现联邦学习。

二、本地处理,联邦学习兼顾技术与隐私

奥伯勒提到,“到目前为止,联邦学习主要用于医学领域的图像分析。在该领域,保护患者数据为最高优先级”。

他表示,联邦学习不会交换一些具体的训练数据,例如患者的医疗图像,患者信息等。取而代之的是,它们会存储相关机器学习的知识,并将这些学习数据传输到中央服务器,让其他参与的机器也能从中央服务器获得相关学习数据。

三、提高机器人学习能力,联邦学习还能保护数据多样性

乔纳森·奥伯勒认为,利用联邦学习来实现分拣机器人学习主要有两个好处。

一方面,他谈到,“通过联邦学习,我们不但保护了客户的数据,还提高了分拣机器人的分拣速度”。

另一方面,他表示,“通过联邦学习,我们在工业环境中保护了数据多样性和数据安全性”。

联邦学习让机器人更“聪明”,打通“数据孤岛”,还能兼顾隐私

结语:联邦学习应用广泛,隐私保护难题或被解决

如今,随着人工智能的快速发展,人们在保护数据上不断做出选择。一些公司将用户的隐私放在第一位,另一些公司却以各种理由“泄露”和盗窃数据隐私。但尴尬的是,人工智能相关技术的发展确实离不开大量的用户数据。

目前,联邦学习为这一困境带来新的解决方案。更多的企业和研究机构希望扩大联邦学习的领域,让其不再仅限于医疗领域,能够在全行业得到充分发展。

未来,联邦学习将会给机器学习带来怎样的惊喜,是否会真正成为兼顾数据共享和数据保护技术新的突破点,我们敬请期待。

来源:Tech Xplore