杨强
- 作品数：9 被引量：117H指数：4
- 供职机构：香港科技大学更多>>
- 发文基金：国家自然科学基金更多>>
- 相关领域：自动化与计算机技术经济管理社会学更多>>
- 从“互联网+”到“人工智能+”被引量：2
- 2015年
- 我们知道,＂互联网＋＂是指用互联网的理念和运营,加上传统行业的服务,这样既为传统行业提供了新鲜的血液,同时也扩大了互联网的应用范围。仔细分析我们便会看到,互联网的最大功用是能提供广泛的连接,提供实时的个性化的服务;而它最擅长的就是我们熟知的处理大数据。对于这么有利的一个工具,怎么样把它的能量最大限度地发挥出来？如何和传统的行业进行化学反应呢？或者说怎么＂＋＂？＂互联网＋＂,就是把它与一些传统业务衔接在一起,让人们在网上得到更多的服务。其实我们可以做的是深度的＂＋＂,这个深度＂＋＂需要应用人工智能的技术来做一个衔接器,作为润滑器。
- 杨强
- 关键词：图像识别领域知识长尾效应呼叫中心
- AI与数据隐私保护：联邦学习的破解之道被引量：81
- 2019年
- 伴随着计算力、算法和数据量的巨大进步,人工智能迎来第3次发展高潮,开始了各行业的落地探索.然而,在“大数据”兴起的同时,更多行业应用领域中是“小数据”或者质量很差的数据,“数据孤岛”现象广泛存在.例如在信息安全领域的应用中,虽然多家企业推出了基于人工智能技术的内容安全审核、入侵检测等安全服务,但出于用户隐私和商业机密的考虑,企业之间很难进行原始数据的交换,各个企业之间服务是独立的,整体协作和技术水平很难在短时间内实现突破式发展.如何在保护各机构数据隐私的前提下促成更大范围的合作,能否通过技术手段破解数据隐私保护难题,联邦学习是解决这一问题、实现跨企业协同治理的有效方式.
- 杨强
- 关键词：人工智能数据安全数据隐私
- AI与人的新三定律被引量：1
- 2020年
- 现在大家都在探讨AI的下一步,我认为AI的下一步离不开和人的关系,下面就从科幻开始讲起。在科幻小说里我们比较熟悉的是机器人的三定律,这是阿西莫夫在很多小说里提到过的。第一定律是如果制作出一个全自动的机器人,那么机器人首先不能伤害人类的个体;第二定律是机器人必须服从人给予的命令但不能违反第一定律;第三定律是在保证第一、第二定律的前提下,它要尽可能维护自己的生命不受到伤害。
- 杨强
- 关键词：机器人阿西莫夫AI科幻小说全自动
- 智能时代:人工智能的技术创新与模式创新
- 2018年
- 黄庆:首先这个事情因为人工智能,什么叫人工智能,这开始变成一个泛人工智能的说法。今天我们可以重新把它浓缩一下,让大家比较确切知道人工智能到底是什么东西。我们请每位嘉宾简短说一下你认为的人工智能是什么,为什么这两年人工智能会火起来,是什么造成有一个新的机遇,新的技术或者突破。
- 黄庆李泉生李立新曹军波杨强陈焱
- 关键词：人工智能技术创新
- 联邦学习:人工智能的最后一公里被引量：17
- 2020年
- 我们看一下深度学习的一些限制,大家现在都在大数据领域有很大的突破,一个代表性突破就是AlphaGo,AlphaGo在19×19的棋盘上可以说是举世无双。但是只要换一下棋盘的大小,或者换一下棋盘的种类,原来的模型就完全无能为力了,就得重新做一个训练,这个例子引起了我们的深思。当前人工智能领域需要大数据的推动,这个推动如果换一个新的领域很可能只有小数据。小数据的场景是不是也可以用深度学习来解决呢?我们认为是很有困难的,因为依据深度学习现在的进展,还没有很多的算法能够在小数据情况下发挥作用。
- 杨强
- 关键词：人工智能大数据最后一公里棋盘
- 群体智能中的联邦学习算法综述被引量：14
- 2022年
- 群体智能是在互联网高速普及下诞生的人工智能新范式。然而,数据孤岛与数据隐私保护问题导致群体间数据共享困难,群体智能应用难以构建。联邦学习是一类新兴的打破数据孤岛、联合构建群智模型的重要方法。首先,介绍了联邦学习的基础概念以及其与群体智能的关系;其次,基于群体智能视角对联邦学习算法框架进行了分类,从隐私、精度与效率3个角度讨论了联邦学习算法优化技术;而后,阐述了基于线性模型、树模型与神经网络模型的联邦学习算法模型;最后,介绍了联邦学习代表性开源平台与典型应用,并对联邦学习研究进行总结展望。
- 杨强杨强童咏昕范力欣王薇王薇陈雷王魏
- 关键词：群体智能隐私保护
- 基于联邦学习的推荐系统综述被引量：10
- 2022年
- 随着互联网和移动计算等技术的发展,人们的在线行为产生了越来越多的数据,想要从海量数据中挑选出用户可能喜欢的物品,推荐系统不可或缺.然而传统的推荐算法需要将用户数据收集到服务端才能构建模型,这会泄露用户隐私.最近,谷歌针对机器学习任务中需要收集用户数据才能进行建模的问题,提出了一种新的学习范式——联邦学习.联邦学习与推荐系统相结合,使得联邦推荐算法能够在模型构建过程中,始终将用户数据保留在客户端本地,从而保护了用户隐私.本文主要对联邦学习与推荐系统相结合的研究工作进行综述,并从架构设计、系统的联邦化和隐私保护技术的应用3个角度重点分析联邦推荐算法的研究进展.最后,对基于联邦学习的推荐系统可研究的方向进行展望.
- 梁锋羊恩跃潘微科杨强明仲
- 关键词：推荐系统隐私保护协同过滤
- 深度学习的迁移模型
- 迁移学习具有小数据、可靠性以及个性化的优点。通过构建深度学习的迁移模型进行定量分析，应用传递式迁移学习以及生成对抗网络，提出了迁移学习+深度学习=深度学习的迁移模型
- 杨强
