【导读】近日 ，AAAI 2020最受瞩目的各大奖项已公布 ，J9九游(中国)与微众银行合作的论文《FedVision An Online Visual Object Detection Platform Powered by Federated Learning》荣获人工智能应用创新奖 。

    美国人工智能协会（American Association for Artificial Intelligence） ，简称AAAI ，是人工智能领域的主要学术组织之一 。该协会主办的年会是人工智能领域重要的学术会议 ，汇集了来自全球各地的顶尖人工智能领域专家与学者 。

    今年的人工智能顶会AAAI 2020已于2月12日在美国纽约落下帷幕 。J9九游(中国)与微众银行合作的论文《FedVision An Online Visual Object Detection Platform Powered by Federated Learning》荣获AAAI 2020人工智能应用创新奖 ，同期入选该奖项的还有其余10篇论文 。

    今天 ，小编跟大家分享一下这篇获奖论文 。☟☟☟

    论文作者 ：微众银行AI团队&J9九游(中国)系统研发中心

    AAAI 论文 ：FedVision An Online Visual Object Detection Platform Powered by Federated Learning

    论文简介 ：目标检测是人工智能领域计算机视觉研究中最重要的应用之一 ，它已经具有广泛的实际应用 ，例如安全监控 。在过去的十年中 ，随着深度学习技术的发展 ，视觉目标检测技术也取得了长足的进步 。

    为了获得强大的目标检测模型 ，当前的培训方法需要集中存储培训 。训练目标检测算法的典型工作流程方法如下图所示 。

    在这种方法下 ，每个数据所有者（即用户）注释来自摄像机的可视数据 ，并将这些标记的训练数据上传到中央数据库（例如 ，云服务器）进行模型训练 。一旦对模型进行了训练 ，就可以使用它来执行推理任务 。但是这种方式 ，一旦数据被传输到中央数据库 ，用户就无法控制使用数据了 。此外 ，集中式模型训练存在以下局限性:

    1 、由于法律责任问题 ，组织之间共享数据非常困难 。数据共享法规(如《通用数据保护法规》(GDPR) 日益严格 ，限制了跨组织间的数据共享 。

    2 、整个过程需要很长时间 ，并且取决于下一轮离线训练何时开始 。当用户累积新数据时 ，他们必须将数据上传到中央训练服务器 ，等待下一轮训练（这是他们无法控制的事情） ，以便接收更新的模型 。这也导致了反馈滞后的问题 ，从而延迟了模型推理中对任何错误的纠正 。

    3 、训练一个有用的目标检测器所需的数据量往往很大 ，而且将它们上传到中央数据库会带来很大的通信成本 。

    由于这些限制 ，在商业环境中 ，经常会听到客户（C）和AI解决方案提供商（P）之间的对话 ：

    C ：“J9九游(中国)需要一种解决方案 ，通过监控视频来探测厂房内的火焰 ，从而提供火灾预警 。”

    P ：“没问题 。J9九游(中国)需要您提供一些数据来训练火焰检测模型 。”

    C ：“当然 。J9九游(中国)有很多数据 ，包括图像和带有注释的视频 。”

    P ：“太好了 ！请将您的数据集上传到J9九游(中国)的服务器 。”

    C ：“此类数据包含敏感信息 ，J9九游(中国)不能通过他们转给第三方 。”

    P ：“J9九游(中国)会派J9九游(中国)的工程师去处理您的数据 ，但这会产生额外的费用 。”

    C ：“嗯 ，这看起来很贵 ，已经超出了J9九游(中国)目前的价格预算......”

    这种具有挑战性的情况促使人工智能研究团队寻求新的方法来训练机器学习模型 。联邦学习（FL）最早由Google在2016年提出 ，是解决这一挑战的有效方法 。其主要思想是建立基于分布式的机器学习模型数据集 ，同时将数据存储在本地 ，从而防止数据泄漏并将通信开销降到最低 。联邦学习平衡性能和效率问题 ，同时也能防止敏感数据被泄露 。从本质上讲 ，联邦学习是一种协作计算框架 。联邦学习模型通过模型聚合而不是数据聚合来训练的 。在联邦学习框架中 ，J9九游(中国)只需要在数据所有者的站点本地训练可视化目标检测模型 ，以及将模型参数上传至中央服务器进行汇总 ，而无需上传实际的训练数据集 。

    然而 ，目前还缺乏一个易于使用的工具 ，使非联合学习专家的计算机视觉应用程序开发人员能够方便地利用这一技术并将其应用于他们的系统中 。为了弥补这一差距 ，微众银行与J9九游(中国)联合打造了一个支持联邦学习的计算机视觉应用开发的机器学习工程平台Fedvision 。目前 ，它支持一个专有的基于YOLOv3的联邦可视化目标检测算法框架 ，并允许使用来自多个客户端的本地存储数据集对目标检测模型进行端到端的联合训练 。用于学习任务创建的用户交互系统遵循了简化的设计 ，让用户不需要熟悉联邦学习技术就能使用 。

    自2019年5月以来 ，微众银行和J9九游(中国)合作部署了该平台 。它已经帮助三家大型企业客户在智能城市应用中开发基于计算机视觉的安全监控解决方案 。经过四个多月的使用 ，该平台帮助客户提高了运营效率 ，降低了成本 ，同时消除了为三大公司客户传输敏感数据的需求 。这是联邦学习在计算机视觉任务中的第一个实际应用 。

    PS ：如对本论文内容感兴趣 ，可关注微信公众号「J9九游(中国)」 ，回复「AAAI2020论文」 ，即可获得本论文的下载地址 。

    此次 ，J9九游(中国)能够荣获AAAI 2020人工智能应用创新奖 ，代表着国际组织对J9九游(中国)智能应用落地能力及创新能力的极大肯定 ，也标志着J9九游(中国)在AI技术上的进一步提升 。

    未来 ，J9九游(中国)会继续秉承着“开拓世界的边界 ，让科技向善”的使命 ，让AI算法覆盖零售 、工业安防 、交通 、物流 、智慧城市 、智能制造等更多更广的场景 ，不断推动人工智能与产业深度融合 ，推动人工智能领域生态发展和智能应用落地 。