人工智能技术在应用过程中面临两个瓶颈:一方面，大多数企业拥有的“小数据”很难相互学习。另一方面，对数据隐私和安全的日益重视长期以来一直是全球趋势。作为一种加密的分布式机器学习范式，“联邦学习”(federal learning)可以使各方在不披露原始数据的情况下实现构建模型的目标，从而为应对人工智能登陆困境提供更多的可能性。
日前，记者在IEEE P3652.1(电气和电子工程师协会联邦学习基础设施和应用)标准工作组第四次会议上获悉，联邦学习标准草案预计将于2020年2月发布，正式标准预计将于2020年上半年发布。
目前，人工智能新技术联邦学习(Federal Learning)已经应用于金融、医疗、城市管理等许多领域。为了向地面应用联邦学习提供技术规范，并为社会各界构建联邦生态提供合作基础，IEEE联邦学习国际标准项目应运而生。该项目由伟忠银行发起，于去年12月获得批准。这是世界上第一个为人工智能协作技术框架设定标准的项目。
标准工作组主席、伟忠银行首席人工智能官杨强表示，在数据安全和隐私保护备受关注的环境下，新的人工智能技术——联邦学习技术(Federal Learning Technology)有望成为下一代人工智能协作网络的基础，在机构和用户之间建立数据信任，促进科技向善。联邦学习国际标准的制定将进一步为其在各个行业的应用提供一个标准化的系统。
“美国电气工程师学会联邦学习标准项目小组将从更详细的角度考虑不同情境下的联邦学习的情境分类，为联邦学习建立需求模板，并为联邦学习的安全性评估制定详细的计划，这将极大地丰富联邦学习标准的内容，并在促进联邦学习标准草案的引入方面发挥重要作用。”杨强说。
杨强表示，自去年12月成立以来，IEEE联邦学习国际标准计划吸引了30多家技术巨头、政府机构、企业和大学参与标准制定工作，涵盖金融、科技、医疗和教育等多个领域。
