基础前沿研究

分布式人工智能

 

以机器学习为核心的人工智能技术,需要大量数据资源,本研究以构建一个可持
化大规模群智算法,将分散在海量用户节点上的数据资源利用起来,在无需泄露自身数据的前提下训练模型,并围绕这一方法建立数据定价和激励机制,提升机器学习在众多实际应用中的精细化和智能化水平。

 

 

目前工作及展望

 

对于分散在不同节点上的海量数据,现有的中心化和分布式机器学习机制所伴随的数据获取成本高、易被攻击、缺少高效数据融合方法等缺点,限制了数据资源的开发以其流通,在很大程度上阻碍了机器学习的广泛落地应用。为解决这些问题,本项目的研究中提出去中心化建模的概念,与传统分布式建模不同,将模型训练分散到海量数据端。

 

1)提出了新的分布式异构数据储存、模型分发和训练方法,利用分布式训练和模型融合技术的优点有效降低算法与数据平台的成本。

 

2)为系统的参与节点提供完善的隐私与数据所有权保护,在数据保护的情况下实现大规模机器学习,分散整个系统受攻击的风险。

 

3)提出了新的数据定价和激励机制,并设计了基于模型压缩、适应移动设备轻量场合的分布式推理引擎。

 

通过本研究,有望建设一个利于机器学习的数据资源可持续开发与流通的生态环境,促进未被利用的海量数据的价值开发,对互联网、大数据、人工智能同实体经济深度融合具有重要的推进作用。

 

 

 

联系人:吴超  chao.wu@zju.edu.cn