简要介绍:

联邦学习将针对性的解决当下计算机视觉领域的数据分散和缺失等难题,依托本地建模提升算法准确率,将视觉市场应用场景拓宽至装备制造业、物联网AIOT、智慧安防等多个行业;与此同时,放大网络效应,以降低企业长尾应用成本。提升视觉业务总体利润率,利用AI提效降本,助力行业只会升级。

嘉宾介绍:

陈天健,微众银行部门副经理。

成为VIP会员查看完整内容
09-陈天健EV_Webank_v2.pdf
29

相关内容

联邦学习(Federated Learning)是一种新兴的人工智能基础技术,在 2016 年由谷歌最先提出,原本用于解决安卓手机终端用户在本地更新模型的问题,其设计目标是在保障大数据交换时的信息安全、保护终端数据和个人数据隐私、保证合法合规的前提下,在多参与方或多计算结点之间开展高效率的机器学习。其中,联邦学习可使用的机器学习算法不局限于神经网络,还包括随机森林等重要算法。联邦学习有望成为下一代人工智能协同算法和协作网络的基础。
专知会员服务
201+阅读 · 2020年3月6日
【大数据白皮书 2019】中国信息通信研究院
专知会员服务
138+阅读 · 2019年12月12日
【白皮书】“物联网+区块链”应用与发展白皮书-2019
专知会员服务
94+阅读 · 2019年11月13日
联邦学习或将助力IoT走出“数据孤岛”?
中国计算机学会
20+阅读 · 2019年3月16日
【物联网】物联网产业现状与技术发展
产业智能官
15+阅读 · 2018年12月17日
Arxiv
102+阅读 · 2020年3月4日
VIP会员
相关资讯
联邦学习或将助力IoT走出“数据孤岛”?
中国计算机学会
20+阅读 · 2019年3月16日
【物联网】物联网产业现状与技术发展
产业智能官
15+阅读 · 2018年12月17日
微信扫码咨询专知VIP会员