简介： 为了摸索联邦学习中的异质性，推动联邦学习畛域的倒退，阿里巴巴达摩院智能计算实验室联结天池举办“CIKM 2022 AnalytiCup Competition: 联邦异质工作学习”大赛，期待借助本次较量助力突破事实利用中的“数据孤岛”，推动实现数据价值的共享。
CIKM 2022 AnalytiCup Competition: 联邦异质工作学习
联邦学习（Federated Learning）是一种新的机器学习范式，容许多个参与者在不间接分享各自数据的前提下独特训练机器学习模型。其外围挑战是如何应答参与者之间的异质性（Heterogeneity），其中数据分布的异质性（non-IID）已引起了钻研界的宽泛关注，并疾速成为了联邦学习畛域的钻研热点之一。然而，在联邦学习的许多理论利用中，联邦工作参与者之间的异质性往往更加简单，也更具挑战性：不仅仅是数据分布，甚至参与者的工作都会呈现出较大的差异性。例如，在一个分子图的联邦学习工作中，某些参与者的指标是对分子的类型进行判断，即分类工作，另外局部参与者的指标是预测分子化学性质的强弱，即回归工作。在这种工作场景下，尽管参与者都要求训练失去的模型具备对分子图表征的理解能力，然而其具体的学习指标是齐全不同的，相比数据分布的异质性更具挑战性。
为了应答联邦学习在事实利用中遇到的上述挑战，阿里巴巴达摩院智能计算实验室提出了一种新的联邦学习设定：联邦异质工作学习（Federated hetero-task learning）。相比于传统的联邦学习，这一设定激励研究者将联邦学习与多任务学习（Multi-task learning）、模型预训练（Model pre-training）、主动机器学习（Auto-ML）等不同畛域的钻研概念进行交融，从而买通事实利用中的“数据孤岛”，并最终实现数据价值的共享。与此同时，达摩院智能计算实验室设计实现了开源的联邦学习平台——FederatedScope[1,2]，来帮忙钻研人员更加容易地摸索、设计、实现联邦异质工作学习算法，并进行充沛地验证。
同时，阿里巴巴达摩院智能计算实验室联结天池举办“CIKM 2022 AnalytiCup Competition: 联邦异质工作学习”大赛，并筹备了丰富的处分，期待更多的同学可能独特参加到联邦异质工作学习的摸索中。
为了帮忙参赛者可能尽快上手，咱们筹备了一个具体的教程，并提供了一个能够间接应用的 playground 供参赛者应用。
- 较量官网网址：https://tianchi.aliyun.com/competition/entrance/532008/introduction
- FederatedScope 开源联邦学习平台：https://github.com/alibaba/FederatedScope
-
较量奖金：
- 第一名：5000 USD
- 第二名：3000 USD
- 第三名：1500 USD
- 第四至十名： 各 500 USD
-
较量证书：
- 第一至二十名：排名证书
- 其余：参赛证书
-
较量工夫安顿（所有工夫以截止日期的 UTC 工夫 11:59PM 计算）
- 2022 年 07 月 15 日：较量开始，数据集和代码凋谢下载。论坛和较量排行榜开始更新。
- 2022 年 09 月 01 日：较量注册完结。
- 2022 年 09 月 11 日：预测后果提交截止。
- 2022 年 09 月 12 日：主办方进行代码审查，排行榜前 30 名的队伍将主动进入代码审查阶段。
- 2022 年 09 月 18 日：颁布代码审查后果。
- 2022 年 09 月 21 日：颁布 ”CIKM 2022 AnalytiCup Competition” 后果。
- 2022 年 10 月 17 日：CIKM 2022 会议开始。
援用
- FederatedScope: A Flexible Federated Learning Platform for Heterogeneity. arXiv preprint 2022. pdf
- FederatedScope-GNN: Towards a Unified, Comprehensive and Efficient Package for Federated Graph Learning. KDD 2022. pdf
版权申明： 本文内容由阿里云实名注册用户自发奉献，版权归原作者所有，阿里云开发者社区不领有其著作权，亦不承当相应法律责任。具体规定请查看《阿里云开发者社区用户服务协定》和《阿里云开发者社区知识产权爱护指引》。如果您发现本社区中有涉嫌剽窃的内容，填写侵权投诉表单进行举报，一经查实，本社区将立即删除涉嫌侵权内容。