1月7日至15日,人工智能领域重量级学术会议IJCAI 2020(International Joint Conference on Artificial Intelligence)于线上举行。会议期间,由微众银行、苹果、香港科技大学等公司及机构联合举办的第三届联邦学习国际研讨会同期启动,会议汇聚机器学习与联邦学习等领域的佼佼者,共同聚焦隐私保护的人工智能展开新一轮的技术思索与观点碰撞。由致星科技(星云Clustar)首席科学家胡水海指导完成的论文(FPGA-Based Hardware Accelerator of Homomorphic Encryption for Efficient Federated Learning)被会议接收,并获得最佳学生论文。星云Clustar于会议上展示了星云自主研发的联邦学习隐私计算方案。
联邦学习国际研讨会(International Workshop on Federated Learning for User Privacy and Data Confidentiality)是专门为联邦学习而设立的学术研讨会,也是本年度IJCAI会议中的重要组成部分。继FL-IJCAI 2019和FL-NeurIPS 2019两次国际联邦学习讨论会召开之后,本次研讨会再次围绕联邦学习的隐私保护机制、架构性能、落地应用等诸多方面,对联邦学习技术进行了全方位的回顾、审视与展望。
随着社会各界对隐私保护和数据碎片化问题的日益关注,各国政府也开始接连出台相关法规以禁止数据交换聚合,让人工智能落地遭遇了严峻挑战。联邦学习作为一种新式机器学习模式进驻行业视野,做到数据“可用不可见”,书写了数据的应用和治理的新篇章。联邦学习通过利用各种隐私保护机制来保护传输的中间数据,其中同态加密是实现联邦学习的重要技术之一,它提供了一种对加密数据进行处理的功能,但同时,复杂的运算和庞大的操作也会给联邦学习带来了巨大的开销。面对这样庞大的算力挑战,如何更有效地保持同态加密在安全性和易用性之间的平衡,一直是联邦学习中的一个关键问题。
星云Clustar在论文“基于FPGA的同态加密加速器,以实现高效的联邦学习(FPGA-Based Hardware Accelerator of Homomorphic Encryption for Efficient Federated Learning)”中,针对性地提出了一种基于异构硬件的高性能隐私计算解决方案,并设计了一个基于FPGA的同态加密框架,旨在为联邦学习的训练阶段提供充沛算力。其本质的复杂性在于为同态加密的核心操作寻找一个紧凑的体系结构,以适应联邦学习对高加密吞吐量和配置灵活性的要求。该框架实现了具有代表性的Paillier同态密码系统,具有高度的灵活性和可移植性,在处理时钟周期、资源使用和时钟频率方面对模乘运算进行了细致的优化。加速器实现了接近最佳的执行时钟周期,比现有的设计具有更好的DSP效率,并且在各种联邦学习模型的训练过程中,使加密时间减少了71%。
伴随着与数据泄露和隐私风险的对抗一路走来,联邦学习以显著的科研与社会价值的高姿态现已跻身数据应用和隐私计算主流技术,也将成为未来新基建的“硬核”需求。致星科技(星云Clustar)正在通过自身加速AI密态计算的技术沉淀,有力推进联邦学习切实落地的进程,助力可信AI重塑企业数据资产的价值信仰。
