4002
0
2021-05-27
2021-05-27
2020CNCC大会于2020年10月22-24日在北京举行，其中10月24日下午举行的《AI落地的跨域学习技术和进展》技术论坛邀请跨域学习领域学术界的顶尖学者和工业界的领军人物一起，聚焦AI落地过程中跨域学习起到的重要作用，以及AI落地痛点等尖锐问题展开探讨，一起探讨跨域学习的技术前沿和进展。
图1 CNCC2020计算机大会
传统的机器学习和现在的深度学习都依赖大量的标注数据，并在有监督训练下出表现优异以及具备一定泛化能力的模型。但随着背景环境及应用场景的变化，训练好的模型性能会大幅度下降，以及重新训练模型周期长成本高，都成为AI落地的痛点。
AI的力量来自大数据，且需要高质量、标注可用的数据，目前更多的依旧还是小数据。这也正是工业界往往需要大量人力去收集、标注数据的原因。数据收集又涉及到「隐私」、「法律」和「专业性」等种种约束，针对小数据的问题，本次会议的各位专家给出了自己的方法。
杨强：数据不动，模型动
对于小数据的问题，杨强教授将其细分为：
1）如何解决大数据迁移到小数据的问题；
2）如何解决数据分散的问题，
并提出了解决方案——迁移学习和联邦学习。
图1 微众银行首席人工智能官——杨强
迁移学习是比较传统的方法，因此，杨强教授主要针对联邦学习做了阐述。
杨强教授用一句话将联邦学习概括为——数据不动，模型动，它的目的或者说是宗旨也非常直观，就是保护数据隐私，打破数据孤岛。联邦学习旨在建立一个基于分布式数据集的联邦学习模型，要包括模型训练和模型推理两个部分。在模型训练过程中，模型相关的信息能在各方之间交换（或者是加密形式进行交换），但数据不能。 在模型推理过程中，模型可以应用于新的数据实例。联邦学习正是因为作为能够在不违反隐私和安全的前提下，使用分散于多方的数据来构建共享和定制化模型的一种创新建模机制，所以在诸多领域中都有较为广泛的应用。联邦学习在金融、医疗、教育、边缘计算、物联网、5G等，诸多数据无法直接被聚合用来训练的场景下使用。
邓伟洪：人脸识别，还有8%的提升空间
北京邮电大学教授邓伟洪基于人脸识别技术做了《跨域人脸和表情识别》的主题演讲。
图2 北京邮电大学人工智能学院教授、博士生导师邓伟洪
邓伟洪指出随着深度学习的引入，人脸识别已经进入真正的大规模应用，其准确率也能达到99%以上，但这并不仅仅是深度学习的功劳，还有是人脸识别的训练数据量的大幅增长——近5个数量级。但是，目前人脸识别还存在三大挑战需要克服。
第一个问题，邓伟洪认为，无论是人脸识别，亦或是图像识别，本质上是具有非常大的可变形——不同角度、不同像素，以及化妆、遮挡等等。虽然现在的研究准确率动辄就飙到99%以上，但邓伟洪认为，是测试集选取图片的方法过于简单了。他们重组了跟主流人脸识别测试库（LFW），选取了三组（长相相似、跨年龄、不同姿态）数据进行测试，发现现有算法下降了8%左右的识别准确率。对此他给出了两个思路：归一化和生产一些低质量或者是很难识别的样本。
对于我们人类肉眼无法识别的「攻击」，对于机器来说却是致命的。邓伟洪认为要防住这种攻击，首先要掌握最厉害的攻击方法，于是提出了一种叫做迁移攻击的方法，只需要在实验室模型训练攻击样本，提交到四大主流公司API上，便均可攻击成功。有了这样的攻击方法之后，防御就非常简单了——把这些样本扔到训练数据集去，让它被重新识别。
不同人种的肤色是最为常见的一种偏见，还有就是数据集中不同地区人口比例，并不是按照现实世界来的。对此，邓伟洪给出的解决方案是构建新的测试数据集，并且还有基于迁移学习、强化学习的人脸识别模型，相当于多个层次的人脸识别公平性的研究体系。
CNCC是由CCF主办的计算领域年度盛会，创建于2003年，是CCF旗舰会议，每年10月于不同城市举办，已成功举办十六届。CNCC创立的目的是宏观论述IT技术趋势，具有规格高、规模大、内容丰富的特点，2020的会议形式包括大会特邀报告、大会论坛、技术论坛、特色活动及展览。为期三天的大会汇聚了图灵奖获得者、两院院士、国内外顶尖学者、知名企业家等亲临大会，展望前沿趋势，分享创新成果。
本次《AI落地的跨域学习技术和进展》技术论坛还邀请了中国科学院计算技术研究所副研究员、硕士生导师阚美娜针对图像迁移建模方面的工作，做了题为《多粒度图像迁移建模》的报告和大利亚国立大学讲师郑良的报告内容——《Do We Really Need Ground Truths to Evaluate A Model?》。感兴趣的同学可以点击下面的参考链接进行学习。
参考链接
https://baijiahao.baidu.com/s?id=1681680183345262115&wfr=spider&for=pc
