Credit:pix abay/CC0 Public Domain New EPFL/INRIA研究首次表明，我们的移动设备可以作为分布式网络的一部分进行机器学习，而无需让大型全球科技公司访问我们的数据。每次我们在网上阅读新闻或寻找外出就餐的地方，大科技都会收集我们的大量行为数据。例如，谷歌和脸书表示，他们这样做是为了改善服务，让我们的在线体验更加个性化。
他们的人工智能(AI)过滤新闻中他们认为你会更感兴趣的文章，提供类似于你以前看过的视频，或者帮助你根据你以前喜欢的视频找到一家餐馆。另一方面，这些数据也被用于针对你的广告，并且可以与第三方共享，这是数字隐私问题如此突出的一个关键原因。
现在，来自分布式计算实验室和可扩展计算系统实验室(EPFL计算机与通信科学学院(IC)和法国国家数字科学与技术研究所(INRIA)的一部分)的新研究首次表明，机器学习——运行通过体验自动改进的计算机算法——有可能在我们的移动设备上实时进行，而不会损害它们的功能，也不必共享我们的数据。
这项工作是在EPFL/INRIA联合实验室的背景下进行的，它引入了FLeet，这是一场被称为联合学习的革命，这是一种全球模型，通过在移动设备上计算更新来训练，同时将用户的数据保持在锁定状态。联合学习因其隐私优势而极具吸引力，但由于其设计不会对移动设备造成能源或性能影响，因此不适合需要频繁更新的应用程序，如新闻推荐。
FLeet将标准联邦学习(Federated Learning)的私密性与在线学习的精准性结合在一起，这得益于两个核心组件:I-Prof(一种新的轻量级profiler，可预测和控制学习任务对移动设备的影响)和AdaSGD(一种新的自适应学习算法，可抵御延迟更新)。
正如该论文的作者之一、EPFL教授拉希德·格拉维解释的那样，事实证明，如今我们的智能手机既有数据，又有电池电量，能够实现分布式机器学习。
“有了FLeet，当您使用手机时，可以将手机的一些剩余电量用于机器学习任务，而不必担心您的通话或互联网搜索会被中断。这一点很重要的原因之一是，我们不希望机器学习只发生在你睡觉、手机充电的时候，因为有时我们需要实时信息。”
安妮-玛丽·克马雷克教授也是该论文的作者，“我们已经表明，如果我们把所有的手机放在一起，它们开始构成大的计算能力，以匹配谷歌这样的公司，这给人们提供了依赖集中、强大的计算机农场的替代方案。这是真正的协作学习，将本地模型聚合在一起，并为全球模型做出贡献，但您不共享原始数据，这保护了您的隐私，这是开发这种架构背后的巨大动力。”
目前，FLeet是一个原型，展示了什么是可能的。Guerraoui和Kermarrec表示，下一步是继续开发可用的最终产品，并研究FLeet设计的其他方面，包括如何使系统免受可能的攻击。
“如今有一个巨大的趋势，试图将机器学习活动带回给用户，因为毕竟数据来自我们，我们应该能够决定在自己的设备上以及用自己的数据发生了什么。“像FLeet这样的模型将会给人们一个惊喜，如果他们愿意的话，可以为大型科技公司提供一个选择，”Kermarrec总结道。
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
