[开放隐私计算]
联邦学习是一种带有隐私保护、安全加密技术的分布式机器学习框架，旨在让分散的各参与方在满足不向其他参与者披露隐私数据的前提下，协作进行机器学习的模型训练。它包含多方面的技术，比如传统机器学习的模型训练技术、协调方参数整合的算法技术、协调方与参与方高效传输的通信技术、隐私保护的加密技术等。
随着AI成为当今世界最热门的话题之一，联邦学习作为新兴的人工智能技术，有望解决这次AI热潮的数据隐私问题和信任危机并引领AI的新高峰，越来越多的人投入到这项技术的研究和推广之中。
上个月，来自弗吉尼亚大学的几位博士（ Jiagi Wang (PSU), Xingbo Fu (UVA), Song Wang (UVA).）在线上开展了一期关于联邦学习的线上沙龙《Federated learning (FL) Online Discussion》，分享了联邦小样本学习和联邦 图结构 学习的相关内容，广受大家的欢迎。8月26日早上10：00，第二期沙龙 《2nd Federated learning (FL) Online Discussion》 即将和大家见面，这次将由上海交通大学的Rui Ye博士和武汉大学的Guancheng Wan给大家带来分享。分享的主题： 《Federated Graph Semantic and Structural Learning》JCAI 2023——Guancheng Wan《FedDisco: Federated Learning with Discrepancy-Aware Collaboration》ICML 2023——Rui Ye《Personalized Federated Learning with Inferred Collaboration Graphs》ICML 2023——Rui Ye
参与方式
沙龙时间： 2023年8月26日（周六）10：00-11：30腾讯会议： 462-105-699
开放隐私计算
，
将在08月26日 10:00 直播
预约
2nd Federated learning (FL) Online Discussion
**视频号
点击预约，进入视频号收看更多精彩活动
扫码加群：
