本章将介绍两个案例，分别是基于纵向联邦的保险个性化定价案例和基于横向联邦的银行间反洗钱模型案例。 基于纵向联邦学习的保险个性化定价案例 案例描述 保险个性化定价，与其他个性化服务一样，需要平衡保险公司和客户之间的关系。一方面，消费者会根据自身的需求选择符合个人的产品；而
当数据具有资产属性之后，数据便可以直接或者间接地为公司、为社会创造价值和收益，并且可以作为一种特殊的商品在市场中进行交易。 与传统的商品交易相比，数据资产交易的市场前景更广阔，但同时也面临着很多的挑战，主要包括： 数据的质量、价格如何定义在合法合规的前提下，数据的交易如何
微众银行+杨强教授团队的联邦学习FATE框架代码：https://github.com/WeBankFinTech/FATE 谷歌联邦迁移学习TensorFlow Federated （TFF）框架代码： https://www.tensorflow.org/federated/ 与杨强教授合影 联邦迁移学习能解决的问题？ 数据隔离。 因权限不同，导
出品 | AI科技大本营（ID:rgznai100）AI时代，如何保护大众的隐私？以联邦学习为代表的AI技术能否实现AI协作，提升模型精度的同时，实现数据隐私的保护？中国如何抢占人工智能安全发展的制高点？下一个十年，人工智能又将何去何从？近日，在“2020北京智源大会”上，就上述AI发展所存在的问题，以下AI专
原文地址： https://www.jiqizhixin.com/articles/2017-06-02-2 =================================================================== 第四范式首席科学家杨强：AlphaGo的弱点及迁移学习的应对（附视频） 5 月 27-28 日，机器之心在北京顺利主办了第一届全球机器智能
转载地址： https://blog.csdn.net/zhangzeyuan56/article/details/72803624 本文转载自机器之心 作者：蒋思源 原文链接：http://jiqizhixin.com/article/2956 ---------------------------------------------------------------------------------------------------
