Federated Learning for Secure AI Collaboration

• 對機器學習概念的基本理解
• 熟悉數據隱私和安全基礎知識

觀眾

• 專注於隱私保護機器學習的數據科學家和 AI 研究人員
• 處理敏感數據的醫療保健和財務專業人員
• 對安全的 AI 協作方法感興趣的 IT 和合規經理

Federated Learning （FL） 是一種跨多個去中心化設備或伺服器訓練機器學習模型的方法，其中包含本地數據樣本，而無需交換它們。這種在保護數據隱私的同時訓練模型的分散式方法在具有敏感數據的行業（如醫療保健和金融）尤其有價值。通過實現安全的 AI 協作，聯合學習有助於實現穩健的模型開發，同時保護個人隱私並滿足監管合規標準。

這種由講師指導的現場培訓（在線或現場）面向希望瞭解和實施聯合學習技術以實現跨分散式數據源保護隱私的機器學習和協作 AI 解決方案的中級 AI 和數據專業人員。

在本次培訓結束時，參與者將能夠：

• 瞭解聯合學習的核心概念和優勢。
• 為 AI 模型實施分散式訓練策略。
• 應用聯合學習技術來保護數據敏感型協作。
• 探索醫療保健和金融領域聯邦學習的案例研究和實際範例。

課程形式

• 互動講座和討論。
• 大量的練習和練習。
• 在即時實驗室環境中動手實施。

課程自定義選項

• 要申請本課程的定製培訓，請聯繫我們進行安排。

介紹 Federated Learning

• 什麼是聯合學習，它與集中式學習有何不同？
• 聯邦學習在安全 AI 協作中的優勢
• 敏感數據領域的使用案例和應用

Federated Learning 的核心元件

• 聯合數據、用戶端和模型聚合
• Communication 協定和更新
• 在聯合環境中處理異構性

資料隱私和安全 Federated Learning

• 數據最小化和隱私原則
• 保護模型更新的技術（例如，差分隱私）
• 符合數據保護法規的聯合學習

實施 Federated Learning

• 設置聯合學習環境
• 使用聯合框架進行分散式模型訓練
• 性能和準確性注意事項

Federated Learning 醫療保健

• 醫療保健領域的安全數據共享和隱私問題
• 用於醫學研究和診斷的協作式 AI
• 案例研究：醫學成像和診斷中的聯邦學習

Federated Learning 在 Finance 中

• 使用聯合學習進行安全的財務建模
• 使用聯合方法進行欺詐檢測和風險分析
• 金融機構內部安全數據協作的案例研究

挑戰與未來 Federated Learning

• 聯邦學習中的技術和運營挑戰
• 聯合 AI 的未來趨勢和進步
• 探索跨行業聯合學習的機會

總結和後續步驟