【征稿】IJCAI 2021联邦学习与迁移学习国际研讨会
数字时代，隐私和安全正成为一个关键问题。公司和组织每天都在收集大量的数据，然而数据隐私保护相关法律法规越来越严格，给大数据和人工智能带来了新的挑战。例如欧盟的《通用数据保护条例》（General data Protection Regulation，GDPR）就明确提出，禁止在没有明确用户授权的情况下，直接合并来自不同来源的用户数据进行AI建模。
为了探索AI如何适应这种新的监管环境，微众银行、京东、第四范式等中国企业联合香港科技大学、新加坡南洋理工大学、普林斯顿大学等国际知名高校及科研院所，将在第30届人工智能国际联合会议（IJCAI'21）组织为期一天的研讨会：IJCAI 2021 解决数据稀疏性与隐私保护的联邦学习与迁移学习国际研讨会（International Workshop on Federated and Transfer Learning for Data Sparsity and Confidentiality in Conjunction with IJCAI 2021，FTL-IJCAI'21)。
本次研讨会将重点讨论遵守隐私保护和安全原则的机器学习系统，旨在提供一个讨论开放问题的论坛，并分享在安全和隐私保护兼容机器学习的研究和应用方面理论与应用研究的最新突破性工作。
相关投稿请留意如下截止时间
Submission Due: May 05, 2021
Notification Due: May 25, 2021
Workshop Date: August 21~22, 2021
征稿侧重于解决以下挑战：
● 安全和合规性：如何满足安全和合规要求？该解决方案是否确保了数据隐私和模型安全？
● 协作和扩展解决方案：该解决方案是否连接了来自不同方面和行业的不同业务伙伴？该解决方案是否利用和扩展了数据的价值，同时保护了用户隐私和数据安全？
● 提升和授权：解决方案是否可持续和智能？它是否包括鼓励缔约方持续参与的激励机制？它是否促进了一个稳定和双赢的商业生态系统？
征稿主题包括但不限于：
1、技术
● 对抗性学习，数据下毒，对抗样本，对抗鲁棒性，黑白盒攻击及防御
● 隐私保护学习协议与体系结构
● 自动联邦学习
● 联邦学习与分布式隐私保护算法
● 联邦迁移学习
● 人机交互隐私感知机器学习
● 激励机制与博弈论
● 隐私感知知识驱动的联合学习
● 用于机器学习的隐私保护技术（安全多方计算、同态加密、秘密共享技术、差分隐私）
● 人工智能的责任性、解释性和可解释性
● 隐私安全，隐私和效率之间的权衡
2、应用
● 使AI符合GDPR要求的方法
● 群体智能
● 数据价值与数据联盟的经济性
● 分布式学习的开源框架
● 人工智能解决方案的安全评估
● 行业中数据安全和小数据挑战的解决方案
● 数据隐私和安全标准
如有查询，请电邮至：
进入官网了解详情：
http://federated-learning.org/fl-ijcai-2021/
END
全球首个联邦学习工业级开源框架
超900家企业机构开发者共建互联
扫码关注FATE开源社区
抢先获取更多联邦学习产品资讯
