近日，国际人工智能顶级学术会议国际人工智能联合会（IJCAI 2020）以在线会议的形式顺利召开。今年，微众银行两篇论文被大会主会（main track）收录，一篇论文被demo track接收，展现出在人工智能领域强有力的科研实力。
IJCAI是中国计算机学会推荐的七大A类人工智能学术会议之一，聚集了人工智能领域最顶尖的研究者和优秀从业者，关注领域涵盖机器学习、图像识别、语音技术、视频技术等。除现场嘉宾的主题报告和观点交流，每年度的IJCAI会议都会通过优秀论文征集、评选的方式来展示最前沿的AI高质量学术成果。此次微众银行被收录的论文在联邦学习、深度神经网络等前沿领域，结合AI在金融相关业务实践，创造性地提出了新方法，以应对当前技术应用中面临的种种挑战。
理论与实践并重，微众银行入选论文相关产业化成果赋能价值明显
在业界，论文被IJCAI收录是研究者非常看重的荣誉，也代表着研究者本人或机构的科研实力在世界范围内处于头部位置。在本年度4717份有效投稿中，最终仅有592篇被接收，接收率仅为12.6%，这也是 IJCAI 史上最低的接收率。
微众银行入选主会的两篇论文分别是《一种基于分治-合并策略的语音识别声学模型优化的新方法》及《基于深度极化网络的监督式高精度哈希编码》。
其中，《一种基于分治-合并策略的语音识别声学模型优化的新方法》的研究方向也正是微众银行近年来大力推进的“联邦学习”产业化成果之一。基于联邦学习技术，微众银行AI团队提出了一种新声学模型，实现在保护隐私的前提下，精准优化和利用语音大数据。简单来说，该模型立足于金融、医疗等场景中的实践，有效满足语音服务精度提升与用户数据隐私保护双向需求。
这一模型应用在微众银行业务实操中，微众银行智能语音服务的用户体验在同行业中属于优秀级别。基于此论文的产业化成果“联邦语音框架”也刚刚斩获“2020年度中国计算机学会科学技术奖”。
《基于深度极化网络的监督式高精度哈希编码》则是提出了一种新的可用于哈希编码生成的深度极化网络（Deep Polarized Network， DPN）方法。作为一种通用的有监督学习哈希编码，本文的工作能够有效提升图像或语音等各类数据的检索效率,同时极化网络的学习过程也非常容易收敛,并且避免了引入二值量化误差。该方法在实际业务场景数据上表现出优异的性能。
作为大会的重要组成部分，微众银行组织举办联邦学习国际研讨会
1月8日，微众银行与苹果、香港科技大学等科技巨头及知名科研机构在IJCAI 2020会议期间联合主办了联邦学习国际研讨会。
各行业应用的数据规模不断扩大，且政策法规与社会对隐私保护和数据安全日益重视。微众银行在国内首倡的“联邦学习”成为解决“数据隐私保护”和“数据孤岛”问题的最佳解决方案之一，能够使各方在不共享原始数据的前提下实现AI联合建模，在国内外受到广泛关注。
自微众银行连续举办多届联邦学习国际研讨会以来，联邦学习国际社区的参与规模与研讨深度不断提升，微众银行在全球范围内推动建立的联邦学习生态影响力进一步扩大，目前已吸引超过17个国家和地区的研究者、机构参与。
从科研到产业化，微众银行的AI生态布局
作为国内首家互联网银行，微众银行通过互联网提供为大众和小微企业提供线上金融服务。
微众银行通过AI技术在银行业务中的全栈应用，从前端（如远程身份认证、智能客服等）到中端（如智能推送、智能风控等）再到后台支持（如智能运维、联邦学习等），均可以通过AI和大数据实现降本增效。最关键的是，通过联邦学习，也解决了在智能化过程中最大也是最常见的“数据隐私泄露”问题。
微众银行坚持科研+产业化并线推进的战略，注重将科研成果转化为实际生产力。近年来，除应用在金融领域，微众银行也推动全球范围内的联邦学习生态建设，助力联邦学习延伸至智慧城市、医疗等多场景实践中，为AI产业开拓出了新方向。
匿名用户
