主题报告一：FATE：新一代联邦学习技术及应用实战

主题简介：随着大数据的进一步发展，重视数据隐私和安全已经成为了世界性的趋势。同时，大多数行业数据呈现数据孤岛现象。如何在满足用户隐私保护、数据安全和政府法规的前提下, 进行跨组织间数据合作是困扰人工智能从业者的一大难题。而“联邦学习”将成为解决这一行业性难题的关键技术。主题将会围绕两方面展开：

1、利用联邦学习进行跨组织间多方联合建模的若干关键技术， 这些关键技术如何落地到我们开源项目FATE中。

2、微众银行AI团队已经推动FATE在信贷风控，客户权益定价，监管科技等领域的一系列应用。

个人简介：范涛，微众银行人工智能部高级研究员，FedAI联邦学习开源平台FATE和联邦学习联盟网络技术负责人。加入微众前，曾任职百度，腾讯，负责AI，大数据相关项目研发，具备丰富的机器学习算法和产品实践经验。目前主要研究方向包括联邦学习，机器学习，深度学习，迁移学习和联盟网络机制设计等。

主题报告二：神盾沙箱：破局数据合作与隐私保护矛盾的探索与实践

主题简介：随着进入以数据为关键要素的数据经济时代，数据的价值日益彰显，隐私计算技术已经成为学术界和产业界的研究热点，希望能够解开隐私保护和数据流通需求的矛盾，释放数据的价值，打造数据共享共赢生态。

本次分享将从多方隐私计算的应用场景出发，介绍腾讯云神盾沙箱在数据隐私保护AI计算和安全敏感数据资产合作场景的解决方案，讲解神盾沙箱的底层架构和上层应用平台。共同探讨隐私保护多方计算在业务落地过程中面临的诸多问题与挑战。

个人简介：秦姝琦，腾讯云大数据及AI中心高级研发工程师，目前负责腾讯云神盾沙箱安全多方计算平台的架构设计及后台建设。在腾讯就职期间，先后负责了dmc、垂直领域公众舆情分析等大数据应用系统的架构设计和开发。曾任职于中国移动、去哪儿网, 主要负责智能客服和搜索引擎等项目的开发落地。

主题报告三：精准感知与精确预测，智慧终端的挑战与机遇

主题简介：智慧全场景的核心需求是如何发挥围绕用户的各种终端智能设备能力为用户带来最便捷、最贴心的全场景智慧体验。一切智慧的基础是对环境、对用户的感知，只有做到精准感知才能够精准地为每位用户提供最佳的个性化服务。这将面临着比单机实现更大的挑战：不同的用户在不同的时间使用的设备不同，不同的设备感知用户与环境的能力也不同，如何在这种系统动态、设备异构的场景中，在保证用户隐私的前提下，构建统一的特征空间，并基于统一的特征空间进行多用户多设备的协同训练？联邦学习是一种非常好的学习范式，本次报告将分享智慧终端分布式AI场景下，关于联邦学习应用的一些思考。

个人简介：朱越，华为消费者BG软件部CTO办公室算法专家，负责分布式AI方向。2018年博士毕业于南京大学计算机科学系LAMDA实验室。积极参加国内外的产学界活动，在TKDE、AAAI、ICDM等国际一流期刊或会议上发表多篇学术论文，并多次担任NIPS、AAAI、IJCAI等国际会议程序委员，担任华为和多个国内外大学联合实验室的AI项目负责人角色。2018年加入华为消费者BG软件智慧工程部，负责端侧决策推理算法，带领团队取得巨大突破，并落地实际应用。

主题报告四：联邦学习的云服务架构

主题简介：本次演讲探讨联邦学习和云计算结合的场景，并介绍联邦学习开源项目FATE在Kubernetes上应用的方案。

个人简介：张海宁(Henry Zhang)，现任VMware中国研发中心技术总监，开源技术专家，Harbor 企业级容器Registry开源项目创始人，腾讯云最具价值专家TVP，《区块链技术指南》作者之一。目前着重关注云原生技术、人工智能、区块链和物联网等领域的研究和开发工作。

主题报告五：城市计算与联邦学习：助力智能城市新发展

主题简介：城市计算是计算机科学以城市为背景，跟城市规划、交通、能源、环境和经济等学科融合的新兴领域，通过不断获取、整合和挖掘城市中不同领域的大数据来解决城市痛点，是当今城市通向智能城市的途径。长期以来，信息孤岛、数据壁垒等在一定程度上制约了智能城市的发展，而联邦学习就能有效帮助多个机构在满足数据安全和合法合规的要求下，进行跨机构数据联合建模与使用。本报告将介绍城市计算和联邦学习技术，并分享基于大数据和联邦学习的信用城市体系建设等。更多信息可参看城市计算主页：http://icity.jd.com

个人简介：张钧波，博士，京东智能城市事业部AI平台负责人、京东智能城市研究院资深研究员，主管面向城市（时空）大数据的AI平台、算法模型和技术研发。他担任人工智能顶尖国际期刊ACM TIST的编委及IEEE TKDE, ACM TKDD等国内外知名期刊审稿人，及KDD、IJCAI、AAAI等CCF-A类会议在内的国内外会议程序委员。在加入京东之前，张钧波博士曾任微软亚洲研究院研究员，联想香港大数据研发中心研究员，在香港中文大学、华为香港诺亚方舟实验室、美国乔治亚州立大学、比利时核研究中心等工作多年，具备近十年的人工智能和时空数据挖掘经验，在Artificial Intelligence，IEEE TKDE等国际期刊和软件学报等国内期刊及KDD，AAAI，IJCAI，ACL, CIKM等国际会议上发表论文40余篇，并在科学出版社专著1部，曾获得中国人工智能学会优秀博士论文提名奖，ACM分会优秀博士论文奖。他是CCF人工智能与模式识别专委会委员。

主题报告六：浅析联邦学习中的安全问题

主题简介：随着人工智能应用的广泛落地，人工智能系统的安全性研究和防范，日益受到学术界和工业界的重视。近年来，联邦学习技术框架的提出，已逐渐成为满足隐私保护需求的人工智能系统的标杆型范式。对于联邦学习技术框架的安全性评估，目前已经十分必要。本报告将围绕联邦学习技术框架，分别介绍联邦学习框架内不同模块可能遇到的潜在攻击方式及相应解决办法，尤其针对数据下毒，信道监听，以及对抗样本等常见攻击手段，在联邦学习框架下进行讨论和分析。为工业实践者在具体部署过程中，提供指导性建议。

个人简介：冯霁，目前担任创新工场南京国际人工智能研究院执行院长，在鲁棒性和安全性人工智能以及计算金融领域，开展一系列的研究与落地工作，从整体上负责南京研究院的团队建设、科研拓展、应用研发、学术交流与合作等工作内容。现担任IEEE联邦学习标准制定委员会Vice-Chair，以及多个人工智能顶级会议包括NeurIPS,IJCAI,AAAI和ICML的程序委员。他在数据驱动下的计算金融具备资深的研发和实战能力，对金融时间序列分析，全栈式人工智能系统的搭建和技术人员的培训上有着丰富的经验。

主题报告七：联邦智能加速AI落地

主题简介：面向实际问题的人工智能解决方案要能有效解决数据不足、割裂、小数据的数据困境，更一定要解决安全、合规、隐私保护的问题，并且还要能够提高模型的效率。目前这样一个 AI 技术时代，用户隐私保护将成为社会的一个强约束，越来越多的人和企业开始意识到「数据孤岛」的严重性以及数据共享的迫切性。联邦智能在兼顾解决这两个问题（隐私保护与共享），为我们建立一个跨企业、跨数据、跨领域的大数据 AI 生态提供了良好的技术支持，而连接更多行业和应用场景的联邦智能生态系统。本次报告将为大家解读联邦智能生态的应用组成与发展前景。

个人简介：王健宗博士，平安科技联邦学习技术部总经理，深圳市金融智能机器人研究中心常务副主任，中国人工智能开源软件发展联盟副理事长，平安科技副总工程师，资深人工智能总监，平安联邦学习平台和AutoML平台总设计师，美国佛罗里达大学人工智能博士后，深圳市领军人才，高级工程师。现任中国计算机学会大数据专家委员会委员，高级会员，YOCSEF深圳副主席，曾任美国莱斯大学电子与计算机工程系研究员，专注于联邦学习和人工智能在金融、保险、投资、医疗等领域的研发工作，发表深度学习、云计算、大数据等领域国际论文30余篇，以及专利100多项。多届国内知名大数据人工智能和联邦学习会议出品人。

主题报告八：FedHealth：面向医养结合的联邦迁移学习方法和应用

主题简介：目前面向疾病诊断的智能算法研究是在限定场景下，通过特定的感知方法和特征进行识别分析，其主要缺陷在于限制移动，时空受限，以致无法全面对用户行为画像，并且由于不同医院间的数据孤岛问题，难以实现真正的“大数据”研究。而健康监护需要在普适环境下实现开放域用户行为的智能感知和理解。针对上述问题，近年来我们利用联邦迁移学习的技术框架解决数据和模型的孤岛问题，将范式驱动的限定场景下面向疾病的的诊断模型向普适场景下的健康状态监测进行联邦迁移，从而解决医养结合的应用痛点。演讲将详细描述团队在面向老人、成人以及儿童认知类疾病的医养结合应用研究，包括针对这些问题在算法研究方面做出的独特贡献, 以及在此基础上打造的一系列实际应用。

个人介绍：陈益强博士是CCF监事，CCF走进高校工作组组长，CCF杰出会员，CCF杰出演讲者，CCF普适计算专委会副主任。现任中科院计算所泛在计算系统研究中心主任，研究员，博士生导师。入选国家万人计划，科技部中青年领军人才，国家“现代服务业”重点项目总体专家组成员等。他于2003年在中科院计算所获得博士学位，2004年在香港科技大学HKUST开展博士后访问。其研究兴趣是智能人机交互和普适计算，他在IEEE TKDE，IEEE TMC，IEEE TNN，IEEE TCSVT等知名国际期刊以及顶级国际会议，如IJCAI，AAAI，ACM MM ，Ubicomp等上发表论文100余篇。曾获国家科技进步奖二等奖以及2016中国计算机学会技术发明一等奖（排名第一）及亚太人工智能大会（PRICAI）等国际期刊会议5个最佳论文奖。陈益强博士是欧洲ECMA可穿戴标准的中方负责人，正推动中日韩美瑞等国科学家共同制定面向健康的可穿戴数据标准工作，是IEEE SMC下IWCD TC(交互与可穿戴计算及设备技术专业委员会)的共同创始委员,是国家数字音视频标准委员会可穿戴数据标准工作组组长,主持面向健康的AVS-W标准制定工作等。

主题报告九：联邦学习之奖励机制设计

主题简介：联邦学习通过将机器学习的计算分散到参与各方的数据库上进行加密的分布式计算，从而可以在不影响数据安全或用户隐私的情形下破解数据孤岛壁垒、实现数据共享。在现实的设计中，数据联邦需要提供足够的经济激励以保证联邦的参与者有激励一直保持参与。因此我们提出联邦学习的机制设计这个问题，来探讨数据联邦应该采取的最优组织和奖励结构。我们首先将提出一个研究联邦学习的奖励机制设计的基本框架，包括核心概念以及它们对应的在联邦学习环境下的数学定义。其次，我们将对联邦学习的奖励机制设计问题按照机制的设定和性质进行分类。最后，我们会给出一些基准定理，帮助联邦学习的从业者在不深入了解博弈论的情形下就能按照他们的最优化目标以及现实场景，选择不同种类的奖励机制。

个人简介：翁翕，现为北京大学光华管理学院应用经济系教授，“日出东方”光华研究学者。他目前主要研究领域为应用微观经济理论，信息经济学和组织经济学。他本科、硕士均毕业于北京大学，博士毕业于美国宾夕法尼亚大学。他的研究成果发表或即将发表于国外顶级学术期刊，如Journal of Finance, Management Science, Economic Journal, American Economic Journal: Microeconomics, Journal of Economic Theory (两篇), International Economic Review (两篇), Journal of Economic Behavior & Organization, 和Journal of Economics & Management Strategy. 他主持国家自然科学基金面上项目“组织经济学理论与应用”。翁博士曾获奖项有：2017中国信息经济学青年创新奖，2017北京大学教学优秀奖，2017第十三届北京大学人文社会科学研究优秀成果一等奖，2016北京大学北京银行奖教金，2016中国信息经济学乌家培奖，2015及2016台新金控最佳研究新人奖，2011 David Cass Memorial Prize in Economics, 2010 CES Gregory Chow Best Paper Awards.