联邦

光明实验室基础智能研究团队携手新加坡国立大学最新突破——大语言模型的规模化联邦全参数调优，为大语言模型(LLMs)的联邦学习开辟了全新篇章！其中共一第一作者是光明实验室基础智能研究团队负责人，共一第二作者是新加坡国立大学博士生，均师从新加坡国立大学的Bryan Low教授。论文链接：, ：（LLMs）已在众多实际应用中变得不可或缺。然而，在规模化环境下对这些模型进行微调，尤其是在数据隐私和通信效率…

编辑 | ScienceAI在服役电池收受接管行业中，正极质料的收受接管价值极高。传统的处理方式（例如火法、湿法）通常不对正极质料进行分类，而以混合形式收受接管，资源利用效率低且利润有限。相较之下，直接收受接管（修复）步骤可以显著提升经济价值，具有工艺流程短、二次能源消耗和污染低、经济效益高的优点，但需要事先获取电池的正极质料信息。这些信息涉及制造商、用户、科研机构等敏感数据，难以获取和集中利用。…

近年来，国家对于人工智能和数据安全的重视程度不断加强。国务院《新一代人工智能发展规划》中明确提出了加强人工智能畛域的基础钻研、培养高素质人才、促进产业融合等方面的要求。联邦进修是人工智能和隐衷计算核心技术之一，以“数据不动模型动，数据可用不可见”的核心特征，在保护数据隐衷，促进数据要素安全流通等方面发挥关键性作用。

在充分伤害隐衷的同时尽可能多地挖掘数据价值，不仅理论上可行，实践中也有越来越多的团队为之努力并取得进展。

当下，人工智能与大数据已经渗透到生产生活的方方面面。在保护数据保险平安的前提下释放数据价值成为社会发展的必然需求，隐衷估计联邦进修作为隐衷增强估计与人工智能相结合的新型手艺范式，将迎来何如的手艺方向和利用创新？可托联邦进修如何平衡保险平安、可用的双目标？加快培育数据要素市场，给产学研各界带来何如的机遇？由中国信息通信研究院云大所、清华大学智能产业研究院、深圳数据交易有限公司共同指导，FATE开源社…