#FormatStrongID_1#

#FormatStrongID_2#

#FormatStrongID_3#

#FormatStrongID_4#

#FormatStrongID_5#

智東西7月12日訊息，據外媒Tech Xplore報道，多國研究人員正在聯合研究一種新方法，他們希望透過聯邦學習的方法，讓分揀機器人更“聰明”。

“我們正研究如何讓AI利用演算法分析分揀機器人的訓練資料，並提出更強大、更高效的分揀方案”，物料搬運和物流研究所（IFL）的喬納森·奧伯勒（Jonathan Auberle）表示。

2016年，McMahan等人首次提出“聯邦學習”這一術語。聯邦學習實際上是指一種加密的分散式機器學習，可以讓各方參與者在不披露底層資料的前提下共建模型。該方案不但能獲得更多參與者的信任，而且也打通了機器之間的“資料孤島”，開始走向“共同發展”。

儘管聯邦學習已經提出了5年時間，但依舊面臨一些難題。比如，資料傳輸效率過慢，聯邦學習需要傳輸大量的資料，其資料傳輸效率對聯邦學習的落地應用較為關鍵。

一、新演算法將協助分揀機器人實現聯邦學習

奧伯勒提到，他們希望獲得來自不同的分揀站點、工廠和公司分揀機器人機器學習的資料。因為不同型別的分揀機器人機器學習的方式不同。他們想要得到每天正在“打工”的分揀機器人，它們的機器學習資料，而不是某一個分揀機器人的機器學習資料。但這些資料往往會涉及一些敏感資料和公司機密，如產品資料等。

為了解決這一問題，研究人員表示他們希望透過新演算法，讓不同場景的分揀機器人在不涉及敏感資料的情況下相互學習，即實現聯邦學習。

二、本地處理，聯邦學習兼顧技術與隱私

奧伯勒提到，“到目前為止，聯邦學習主要用於醫學領域的影象分析。在該領域，保護患者資料為最高優先順序”。

他表示，聯邦學習不會交換一些具體的訓練資料，例如患者的醫療影象，患者資訊等。取而代之的是，它們會儲存相關機器學習的知識，並將這些學習資料傳輸到中央伺服器，讓其他參與的機器也能從中央伺服器獲得相關學習資料。

三、提高機器人學習能力，聯邦學習還能保護資料多樣性

喬納森·奧伯勒認為，利用聯邦學習來實現分揀機器人學習主要有兩個好處。

一方面，他談到，“透過聯邦學習，我們不但保護了客戶的資料，還提高了分揀機器人的分揀速度”。

另一方面，他表示，“透過聯邦學習，我們在工業環境中保護了資料多樣性和資料安全性”。

結語：聯邦學習應用廣泛，隱私保護難題或被解決

如今，隨著人工智慧的快速發展，人們在保護資料上不斷做出選擇。一些公司將使用者的隱私放在第一位，另一些公司卻以各種理由“洩露”和盜竊資料隱私。但尷尬的是，人工智慧相關技術的發展確實離不開大量的使用者資料。

目前，聯邦學習為這一困境帶來新的解決方案。更多的企業和研究機構希望擴大聯邦學習的領域，讓其不再僅限於醫療領域，能夠在全行業得到充分發展。

未來，聯邦學習將會給機器學習帶來怎樣的驚喜，是否會真正成為兼顧資料共享和資料保護技術新的突破點，我們敬請期待。