1月7日至15日,人工智能領域重量級學術會議IJCAI 2020(International Joint Conference on Artificial Intelligence)于線上舉行。會議期間,由微眾銀行、蘋果、香港科技大學等公司及機構聯合舉辦的第三屆聯邦學習國際研討會同期啟動,會議匯聚機器學習與聯邦學習等領域的佼佼者,共同聚焦隱私保護的人工智能展開新一輪的技術思索與觀點碰撞。由致星科技(星云Clustar)首席科學家胡水海指導完成的論文(FPGA-Based Hardware Accelerator of Homomorphic Encryption for Efficient Federated Learning)被會議接收,并獲得最佳學生論文。星云Clustar于會議上展示了星云自主研發的聯邦學習隱私計算方案。
聯邦學習國際研討會(International Workshop on Federated Learning for User Privacy and Data Confidentiality)是專門為聯邦學習而設立的學術研討會,也是本年度IJCAI會議中的重要組成部分。繼FL-IJCAI 2019和FL-NeurIPS 2019兩次國際聯邦學習討論會召開之后,本次研討會再次圍繞聯邦學習的隱私保護機制、架構性能、落地應用等諸多方面,對聯邦學習技術進行了全方位的回顧、審視與展望。
隨著社會各界對隱私保護和數據碎片化問題的日益關注,各國政府也開始接連出臺相關法規以禁止數據交換聚合,讓人工智能落地遭遇了嚴峻挑戰。聯邦學習作為一種新式機器學習模式進駐行業視野,做到數據“可用不可見”,書寫了數據的應用和治理的新篇章。聯邦學習通過利用各種隱私保護機制來保護傳輸的中間數據,其中同態加密是實現聯邦學習的重要技術之一,它提供了一種對加密數據進行處理的功能,但同時,復雜的運算和龐大的操作也會給聯邦學習帶來了巨大的開銷。面對這樣龐大的算力挑戰,如何更有效地保持同態加密在安全性和易用性之間的平衡,一直是聯邦學習中的一個關鍵問題。
星云Clustar在論文“基于FPGA的同態加密加速器,以實現高效的聯邦學習(FPGA-Based Hardware Accelerator of Homomorphic Encryption for Efficient Federated Learning)”中,針對性地提出了一種基于異構硬件的高性能隱私計算解決方案,并設計了一個基于FPGA的同態加密框架,旨在為聯邦學習的訓練階段提供充沛算力。其本質的復雜性在于為同態加密的核心操作尋找一個緊湊的體系結構,以適應聯邦學習對高加密吞吐量和配置靈活性的要求。該框架實現了具有代表性的Paillier同態密碼系統,具有高度的靈活性和可移植性,在處理時鐘周期、資源使用和時鐘頻率方面對模乘運算進行了細致的優化。加速器實現了接近最佳的執行時鐘周期,比現有的設計具有更好的DSP效率,并且在各種聯邦學習模型的訓練過程中,使加密時間減少了71%。
伴隨著與數據泄露和隱私風險的對抗一路走來,聯邦學習以顯著的科研與社會價值的高姿態現已躋身數據應用和隱私計算主流技術,也將成為未來新基建的“硬核”需求。致星科技(星云Clustar)正在通過自身加速AI密態計算的技術沉淀,有力推進聯邦學習切實落地的進程,助力可信AI重塑企業數據資產的價值信仰。
