联邦机器学习又名联邦学习,联合学习,联盟学习。联邦机器学习是一个机器学习框架,能有效帮助多个机构在满足用户隐私保护、数据安全和政府法规的要求下,进行数据使用和机器学习建模。
中国上海 – 2022年8月1日
全球领先的边缘计算解决方案提供商—凌华科技与致星科技(简称“星云Clustar”)达成合作,携手打造边缘联邦学习的一体机,颠覆传统的集中式机器学习训练。此平台采用凌华科技的MECS-7211作为边缘计算服务器,与星云CLustar的FPGA隐私计算加速卡,为个资隐私解套,应用于密集型计算的加速场景,如隐私计算、机器学习、基因测序、金融业务、医疗、视频处理、网络安全等。

随着物联网的快速发展以及5G网络普及化,大量终端设备接入网络中产生海量数据,传统的数据计算分析基于云计算进行,随着数据的急剧增加,由应用终端传送至云计算过程中,会造成延时和数据泄露,及时并有效地处理数据成为云计算中心的一大挑战,边缘计算(Edge Computing)因应而生。
在靠近人、物或数据源的网络边缘侧,就近提供边缘智能服务,更有效率的网络服务响应,大大提升物联网、车联网、工业控制、智能制造、大视频等众多业务需求。边缘计算技术的引入,减轻了云中心的网络负担, 但同时也引起了安全性问题,而数据的本地化,容易阻碍数据间的交互,加之近年数据安全、应用规范不断收紧,如 GDPR 数据隐私以及数据保护的议题被高度重视。传统机器学习算法采用的数据集中化计算,无法应对数据规范要求,限制人工智能的发展。
在此背景下,联邦学习(Federated machine learning/Federated Learning)应时而生,为边缘计算的安全问题提供了解决方案。
联邦学习是一个机器学习框架,在参与方使用加密后的私有数据进行运算,仅交换加密状态后的模型参数、权重及梯度等特征,无需将原始数据移出本地,也无需将加密后的原始数据移动集中,即能帮助多个机构在满足用户隐私保护、数据安全和政府法规的要求下,进行数据使用和机器学习建模。
联邦学习作为分布式的机器学习范式,保障数据不泄露并让企业用更多的数据训练模型、联合建模,实现AI协作,从技术上打破数据孤岛,为隐私保护计算解决方案的落地提供了有力支撑。
凌华科技和星云Clustar联合推出边缘联邦学习的一体机。该系统采用凌华科技的MECS-7211作为边缘计算服务器,和星云Clustar的FPGA异构加速卡,对联邦学习中常用复杂算子进行定性分析和硬件优化,便于用户实现分布式密态机器学习任务的加速。高效的存储、计算、数据传输系统,对异构系统的高效运转起到了协同优化的作用,对比传统的CPU架构,性能提升7倍,CPU+GPU方案,提升2倍,功耗降低40%。
此边缘联邦学习一体机,应用领域广泛,适用需要大量数据分析并注重隐私的金融、医疗、数据中心等领域,并已完成多处实例布署。
星云Clustar高级副总裁尚勇表示:“作为一家以算力为核心的隐私计算基础设施提供商,星云Clustar秉承算力+赋能数据要素高效流通应用的理念,为数据密集型计算场景提供高安全、高可用综合基础设施。与凌华科技携手打造边缘联邦学习一体机,是星云Clustar扩展隐私计算算力基础设施应用生态的重要一环,双方将充分进行优势互补,不断扩展边缘计算应用场景,携手打造高安全、高性能、低时延的综合计算平台。”
凌华科技网络通讯暨公共建设事业处总监叶建良表示:“凌华科技MECS系列产品,定位于5G,边缘计算平台。作为OTII规范的发起者之一,MECS系列产品符合OTII(Open Telecom IT Infrastructure)的行业规范,采用异构架构,灵活支持FPGA、GPU、5G加速等扩展卡。紧凑尺寸设计加上支持宽温运行环境,适合分布式架构应用场景,部署于网络的边缘和应用侧。凌华科技和星云Clustar联合推出边缘联邦学习的一体机,协同优化运算系统,拓展了MECS系列产品的应用,未来也将持续与星云Clustar在AI 领域合作,丰富边缘计算的应用场景。”
凌华科技致力于边缘计算和AI行业,超过二十年在电信网通运算领域的研发投入经验,专注于网络安全、5G,边缘计算,物联网等基础设施的产品和服务,提供领先、加固和可靠的硬件和软件解决方案,成为人工智能改变世界的推手。
深圳致星科技是一家以算力为核心的隐私计算基础设施提供商,专注于高性能隐私计算算力解决方案研发与技术创新,公司产品包括隐私计算平台,软硬一体机、算力加速卡等,致力于以“算力+”为隐私计算应用规模化落地打造算力“基建”,赋能数据要素有序共享与综合应用。
好文章,需要你的鼓励
英特尔携手戴尔以及零克云,通过打造“工作站-AI PC-云端”的协同生态,大幅缩短AI部署流程,助力企业快速实现从想法验证到规模化落地。
意大利ISTI研究院推出Patch-ioner零样本图像描述框架,突破传统局限实现任意区域精确描述。系统将图像拆分为小块,通过智能组合生成从单块到整图的统一描述,无需区域标注数据。创新引入轨迹描述任务,用户可用鼠标画线获得对应区域描述。在四大评测任务中全面超越现有方法,为人机交互开辟新模式。
阿联酋阿布扎比人工智能大学发布全新PAN世界模型,超越传统大语言模型局限。该模型具备通用性、交互性和长期一致性,能深度理解几何和物理规律,通过"物理推理"学习真实世界材料行为。PAN采用生成潜在预测架构,可模拟数千个因果一致步骤,支持分支操作模拟多种可能未来。预计12月初公开发布,有望为机器人、自动驾驶等领域提供低成本合成数据生成。
MIT研究团队发现,AI系统无需严格配对的多模态数据也能显著提升性能。他们开发的UML框架通过参数共享让AI从图像、文本、音频等不同类型数据中学习,即使这些数据间没有直接对应关系。实验显示这种方法在图像分类、音频识别等任务上都超越了单模态系统,并能自发发展出跨模态理解能力,为未来AI应用开辟了新路径。