国产欧美日韩精品a在线观看-国产欧美日韩精品一区二区三区-国产欧美日韩精品综合-国产欧美中文字幕-一区二区三区精品国产-一区二区三区精品国产欧美

1  云邊端協(xié)同聯(lián)邦學(xué)習(xí)關(guān)鍵技術(shù)

近年來，AI取得了巨大進(jìn)步，較新的AI算法與用于收集、存儲和處理大量數(shù)據(jù)的高成本效益和可擴(kuò)展機(jī)制相結(jié)合已將我們帶入AI黃金時代。人們普遍預(yù)計(jì)AI將推動許多大規(guī)模分布式領(lǐng)域的應(yīng)用，例如自動駕駛汽車、災(zāi)難響應(yīng)、精準(zhǔn)農(nóng)業(yè)等[1]。構(gòu)建AI系統(tǒng)的主要范式是將AI任務(wù)集中在云，通過集中式單體計(jì)算在強(qiáng)大的計(jì)算平臺上訓(xùn)練模型。然而在許多應(yīng)用中，數(shù)據(jù)在終端設(shè)備生成和分發(fā)，將它們轉(zhuǎn)移到中央服務(wù)器將違反隱私需求并受到傳輸限制。為了緩解這些問題，  聯(lián)邦學(xué)習(xí)[2]作為一種有前途的分布式AI范式被提出，它在保護(hù)用戶隱私的同時，在邊緣與海量設(shè)備協(xié)作訓(xùn)練AI模型。

在聯(lián)邦學(xué)習(xí)中，設(shè)備用自己的私有數(shù)據(jù)訓(xùn)練本地模型，將模型參數(shù)而不是原始數(shù)據(jù)提交給參數(shù)服務(wù)器。例如，在周期t時，每個終端設(shè)備對模型參數(shù)ωi (t)進(jìn)行訓(xùn)練，ηt表示梯度下降步長，F(xiàn)i (·)為損失函數(shù)，得到式（1）：

ωi (t)=ωi (t -1) -ηt?Fi (ωi (t -1))  （1）

在收集到足夠的參數(shù)后，參數(shù)服務(wù)器將全局模型聚合并分發(fā)給設(shè)備進(jìn)行下一輪本地訓(xùn)練，如式（2）所示：

其中|D|=∑i |Di |為終端設(shè)備的數(shù)據(jù)量之和。以上過程不斷迭代，直到參數(shù)服務(wù)器通過最小化的全局損失函數(shù)F(w)達(dá)到收斂，該函數(shù)如式（3）所示：

憑借其創(chuàng)新的運(yùn)營理念，聯(lián)邦學(xué)習(xí)為多種應(yīng)用場景落地提供益處。（1）數(shù)據(jù)隱私增強(qiáng)：隨著通用數(shù)據(jù)保護(hù)條例[3]等數(shù)據(jù)隱私保護(hù)立法，  聯(lián)邦學(xué)習(xí)成為構(gòu)建智能和安全系統(tǒng)的理想解決方案。參數(shù)服務(wù)器中的訓(xùn)練不需要原始數(shù)據(jù)，因此將用戶敏感信息泄露給第三方的可能性降到最低。（2）低延遲網(wǎng)絡(luò)通信：由于不需要將數(shù)據(jù)傳輸?shù)絽?shù)服務(wù)器，有助于減少數(shù)據(jù)卸載造成的通信延遲，同時也節(jié)省了頻譜、傳輸功率等網(wǎng)絡(luò)資源。（3）提高學(xué)習(xí)質(zhì)量：通過設(shè)備網(wǎng)絡(luò)中大量的計(jì)算和數(shù)據(jù)資源，聯(lián)邦學(xué)習(xí)有潛力提高整個訓(xùn)練過程的收斂速度，并提高準(zhǔn)確率，這可能無法通過使用數(shù)據(jù)不足和算力受限的集中式AI實(shí)現(xiàn)。反過來，由于其分布式學(xué)習(xí)特性，聯(lián)邦學(xué)習(xí)也提高了智能網(wǎng)絡(luò)的可伸縮性。

圖1是從集中式單體計(jì)算，分布式網(wǎng)聯(lián)計(jì)算到云邊端未來泛在多層級計(jì)算的演變過程。大多數(shù)聯(lián)邦學(xué)習(xí)假設(shè)云作為參數(shù)服務(wù)器， 但隨著邊緣計(jì)算[4] 的出現(xiàn)，基于邊緣的聯(lián)邦學(xué)習(xí)[5~6]逐漸受到關(guān)注，其中邊緣服務(wù)器作為參數(shù)服務(wù)器與終端設(shè)備協(xié)作訓(xùn)練AI模型。基于云和基于邊緣的聯(lián)邦學(xué)習(xí)都采用相同的訓(xùn)練算法，但兩者具有基本的區(qū)別。在基于云的聯(lián)邦學(xué)習(xí)中，參與的終端設(shè)備可達(dá)數(shù)百萬[7] ，提供AI所需的海量數(shù)據(jù)，但是通信速度慢且不可預(yù)測，使得訓(xùn)練過程效率低下。相反，在基于邊緣的聯(lián)邦學(xué)習(xí)中，計(jì)算的延遲與通信的延遲相當(dāng)，在計(jì)算和通信方面有著更好的權(quán)衡，然而邊緣服務(wù)器可以訪問的終端設(shè)備數(shù)量有限，導(dǎo)致了不可避免的訓(xùn)練性能損失。因此，既要利用云訪問大量訓(xùn)練樣本，又要利用邊緣實(shí)現(xiàn)快速模型更新。這促使技術(shù)向著異構(gòu)、云邊端協(xié)同、全面泛在智能計(jì)算演進(jìn)，云邊端協(xié)同的分層聯(lián)邦學(xué)習(xí)技術(shù)[8]就此提出，  且獲得了相對兩個技術(shù)的最佳效果。與基于云的聯(lián)邦學(xué)習(xí)相比，云邊端協(xié)同分層聯(lián)邦學(xué)習(xí)將顯著減少與云的昂貴通信，并輔以高效的終端設(shè)備。邊緣更新，從而顯著減少本地迭代的運(yùn)行時間和數(shù)量。另一方面，由于云可以訪問更多的數(shù)據(jù)，云邊端協(xié)同分層聯(lián)邦學(xué)習(xí)也在訓(xùn)練中勝過基于邊緣的聯(lián)邦學(xué)習(xí)。相應(yīng)地，在云邊端協(xié)同分層聯(lián)邦學(xué)習(xí)中本地終端設(shè)備模型訓(xùn)練過程演化過程如式（4）所示：

其中|De |=∑i ∈De |Di |為邊緣服務(wù)器連接的終端設(shè)備數(shù)據(jù)量之和，  τ和σ分別是邊緣服務(wù)器和云的聚合頻次 (σ|τ=0)。

圖1 從集中式單體計(jì)算，分布式網(wǎng)聯(lián)計(jì)算到云邊端未來 泛在多層級計(jì)算的演變

2  云邊端協(xié)同聯(lián)邦學(xué)習(xí)應(yīng)用前景

目前云邊端協(xié)同在不同行業(yè)中都有應(yīng)用需求，例如可以促進(jìn)智慧交通中信息互聯(lián)互通，幫助工業(yè)互聯(lián)網(wǎng)完成數(shù)字化升級和智能化轉(zhuǎn)型等。這些應(yīng)用場景雖然解決了帶寬、能耗等問題，但很少考慮隱私安全。因此，有必要引入云邊端協(xié)同聯(lián)邦學(xué)習(xí)技術(shù)促進(jìn)在嚴(yán)格保護(hù)隱私的前提下訓(xùn)練出合適的AI模型。

2.1   “聯(lián)邦學(xué)習(xí)+智慧金融”打破數(shù)據(jù)壁壘，  成為 數(shù)字化轉(zhuǎn)型的關(guān)鍵

金融行業(yè)受到知識產(chǎn)權(quán)、隱私保護(hù)、數(shù)據(jù)安全等因素影響，數(shù)據(jù)無法被直接聚合進(jìn)行AI模型訓(xùn)練。因此，借助聯(lián)邦學(xué)習(xí)來訓(xùn)練模型成為此領(lǐng)域備受關(guān)注的技術(shù)手段。微眾銀行推出的FATE聯(lián)邦學(xué)習(xí)平臺[9]，  平安科技推出的“蜂巢”聯(lián)邦學(xué)習(xí)平臺[10] ，螞蟻金服推出的共享AI平臺[11]都將聯(lián)邦學(xué)習(xí)應(yīng)用于銀行、保險(xiǎn)、信貸、風(fēng)控等金融領(lǐng)域，更好地挖掘了數(shù)據(jù)價值，實(shí)現(xiàn)多方共贏的AI模型訓(xùn)練。京東數(shù)字科技集團(tuán)也推出了自主研發(fā)的聯(lián)邦學(xué)習(xí)平臺Fedlearn[12] ，在滿足數(shù)據(jù)隱私安全和監(jiān)管要求的前提下，讓AI系統(tǒng)更加高效準(zhǔn)確地共同使用各自數(shù)據(jù)。

2.2   “聯(lián)邦學(xué)習(xí)+智慧醫(yī)療”助力醫(yī)療健康智慧化，建設(shè)醫(yī)療健康新生態(tài)

目前AI技術(shù)已被廣泛用于醫(yī)療保健領(lǐng)域，但仍面臨暴露醫(yī)院/病人的私人和敏感信息、分享大量數(shù)據(jù)等 問題。應(yīng)用聯(lián)邦學(xué)習(xí)可以使模型計(jì)算在數(shù)據(jù)源處執(zhí)行，在尊重個人隱私的前提下實(shí)現(xiàn)大規(guī)模的精準(zhǔn)醫(yī)療。騰訊天衍實(shí)驗(yàn)室結(jié)合微眾銀行將聯(lián)邦學(xué)習(xí)與醫(yī)療深度融合[13] ，通過搭建基于聯(lián)邦學(xué)習(xí)技術(shù)的大數(shù)據(jù)集中與挖掘平臺，打破了數(shù)據(jù)壁壘，保護(hù)了數(shù)據(jù)隱私，并成功落地疾病預(yù)測領(lǐng)域，腦卒中預(yù)測準(zhǔn)確率達(dá)80%。同時，英偉達(dá)推出了基于Clara的聯(lián)邦學(xué)習(xí)新產(chǎn)品[14]，  將患者數(shù)據(jù)保存在醫(yī)療服務(wù)機(jī)構(gòu)內(nèi)部，并幫助醫(yī)生進(jìn)行準(zhǔn)確高速的診斷。

2.3   “聯(lián)邦學(xué)習(xí)+智慧城市”推進(jìn)城市建設(shè)邁上新 臺階，提升總體水平和格局

AI技術(shù)也被用于智慧城市來提供智能屬性，但目前多數(shù)方案依賴于集中式學(xué)習(xí)架構(gòu)，不能適應(yīng)智能設(shè)備的快速擴(kuò)展。應(yīng)用聯(lián)邦學(xué)習(xí)可以提供更有吸引力的功能，使去中心化的智能城市應(yīng)用具有高隱私和低通信延遲。2019年，微眾銀行與特斯聯(lián)結(jié)合聯(lián)邦學(xué)習(xí)和城市管理的業(yè)務(wù)經(jīng)驗(yàn)成立了“AIoT聯(lián)合實(shí)驗(yàn)室”，助力城市管理、社區(qū)等智能化升級[15]。京東城市以聯(lián)邦學(xué)習(xí)技術(shù)為本，基于城市計(jì)算和聯(lián)邦學(xué)習(xí)打造了產(chǎn)品“數(shù)字網(wǎng)關(guān)” [16] ，致力于解決城市中數(shù)據(jù)孤島、數(shù)據(jù)共享難的問題，在不同機(jī)構(gòu)間創(chuàng)建安全、共享、智能、高效的連接。

3  云邊端協(xié)同聯(lián)邦學(xué)習(xí)關(guān)鍵挑戰(zhàn)和未來 展望

3.1   隱私保護(hù)

云邊端聯(lián)邦學(xué)習(xí)雖然通過交換模型參數(shù)而不是原始數(shù)據(jù)來保護(hù)隱私數(shù)據(jù)，但在訓(xùn)練過程中的模型通信也會將敏感信息泄露給第三方，例如模型的反向推導(dǎo)。雖然已有一些提高數(shù)據(jù)隱私性的方法，但這些方法都增加了計(jì)算復(fù)雜度和計(jì)算負(fù)擔(dān)。為了進(jìn)一步有效地保護(hù)數(shù)據(jù)安全，需要尋找新的方法來防止模型傳輸過程中信息泄露。事實(shí)上，由于網(wǎng)絡(luò)中各種設(shè)備的異構(gòu)性，不同設(shè)備的隱私具有不同特點(diǎn)的限制，基于特定設(shè)備隱私限制，隱私保護(hù)方法的發(fā)展成為聯(lián)邦學(xué)習(xí)的一個有趣和持續(xù)的方向。

3.2   系統(tǒng)與數(shù)據(jù)異構(gòu)

作為云邊端聯(lián)邦網(wǎng)絡(luò)一部分的設(shè)備，其存儲、計(jì)算和通信的能力彼此之間有很大的不同。這種差異背后的原因與硬件、網(wǎng)絡(luò)連接和電力供應(yīng)有關(guān)，并且由于連接或能源的限制，每個設(shè)備都有可能不可靠。為了避免系統(tǒng)的異構(gòu)性，可以采用異步通信技術(shù)，使迭代優(yōu)化算法并行以消除掉隊(duì)者。另一種方法是在每一輪中選擇積極參與的設(shè)備，以確保在一個預(yù)先定義的窗口內(nèi)最大限度地聚集更新。第三種方法是當(dāng)失敗的設(shè)備具有某些特定的數(shù)據(jù)特征時，避免設(shè)備故障導(dǎo)致設(shè)備采樣方案的偏差。另外，算法冗余可以作為編碼計(jì)算技術(shù)被引入以實(shí)現(xiàn)容錯。

3.3   統(tǒng)計(jì)學(xué)異質(zhì)性

如前所述，各種設(shè)備根據(jù)設(shè)備的不同使用類型，以非同分布的方式在網(wǎng)絡(luò)上收集數(shù)據(jù)。因此，數(shù)據(jù)可能會因底層結(jié)構(gòu)而有很大的不同，這些底層結(jié)構(gòu)捕捉到了設(shè)備之間的連接和它們的相關(guān)分布。數(shù)據(jù)生成的模式增加了在系統(tǒng)建模、分析和評估中出現(xiàn)掉隊(duì)者的機(jī)會。當(dāng)從非同分布的數(shù)據(jù)中訓(xùn)練模型時，數(shù)據(jù)建模和訓(xùn)練過程中的收斂行為分析方面都會出現(xiàn)問題?？梢钥紤]使用不同的指標(biāo)對統(tǒng)計(jì)異質(zhì)性進(jìn)行量化，這些指標(biāo)大多是在訓(xùn)練階段計(jì)算的。此外，還需要研究如何改進(jìn)云邊端聯(lián)邦優(yōu)化方法中涉及的收斂技術(shù)。

3.4   通信成本

聯(lián)邦網(wǎng)絡(luò)可能由數(shù)百萬遠(yuǎn)程移動終端設(shè)備組成，聯(lián)邦學(xué)習(xí)模型的訓(xùn)練可能涉及大量交互，此外網(wǎng)絡(luò)中的通信速度無法保證，因此為了云邊端聯(lián)邦學(xué)習(xí)實(shí)用化，有必要開發(fā)具有高通信效率的方法?？梢钥紤]使用本地更新方法，允許每個通信輪中在設(shè)備上并行實(shí)現(xiàn)可變數(shù)量的本地更新。這將有助于減少通信的次數(shù)。其次，模型壓縮機(jī)制（即稀疏化、子采樣和量化）也有助于減少每次更新時通信的消息大小。第三，在運(yùn)行低帶寬和高延遲網(wǎng)絡(luò)時，分布式拓?fù)淇梢宰鳛槠款i實(shí)例的替代解決方案。

3.5   激勵機(jī)制

聯(lián)邦學(xué)習(xí)會消耗參與者的大量資源，如計(jì)算、帶寬資源等，還會遭受隱私泄露的威脅，因此如果沒有足夠的獎勵，這些因素將阻礙設(shè)備參與聯(lián)邦學(xué)習(xí)。同時，如果沒有足夠的訓(xùn)練數(shù)據(jù)、帶寬和算力，訓(xùn)練性能將會迅速下降。因此，有必要建立合理的激勵機(jī)制來激勵更多的設(shè)備參與，貢獻(xiàn)高質(zhì)量的數(shù)據(jù)和充足的資源。未來激勵機(jī)制首先應(yīng)以低成本提高學(xué)習(xí)性能為目標(biāo)來激勵更多的參與者加入學(xué)習(xí)。其次，應(yīng)該更加重視面向企業(yè)數(shù)據(jù)的云邊端聯(lián)邦學(xué)習(xí)，企業(yè)的決策行為與普通設(shè)備截然不同，這就需要采取全新的激勵方法。此外，未來應(yīng)多關(guān)注多維度指標(biāo)的綜合的激勵機(jī)制，以實(shí)現(xiàn)多目標(biāo)和多功能。

3.6   實(shí)例：面向云邊端協(xié)同聯(lián)邦學(xué)習(xí)的激勵機(jī)制

在云邊端架構(gòu)中，設(shè)計(jì)的激勵可能有不同的形式，可以采用博弈理論、拍賣理論等多種方式來實(shí)現(xiàn)。例如，利用博弈論為云邊端協(xié)同聯(lián)邦學(xué)習(xí)設(shè)計(jì)了激勵機(jī)制，云和邊緣服務(wù)器將通過選擇不同的支付方式來激勵終端設(shè)備參與訓(xùn)練任務(wù)。具體地，云宣布獎勵作為對邊緣服務(wù)器和終端設(shè)備的激勵，以最大限度地提高模型的準(zhǔn)確性，而邊緣服務(wù)器充當(dāng)云和終端設(shè)備之間的媒介。理性的終端設(shè)備、邊緣和云都最大化其自身效用，分別決策貢獻(xiàn)數(shù)據(jù)量x_i、給所連接設(shè)備的獎勵R_l和單位數(shù)據(jù)量的獎勵P如式（5）~（7）所示：

其中，p_i，q_i，θ_i分別是設(shè)備i分配的獎勵比例、多維貢獻(xiàn)和類型，c_i (·)是相應(yīng)的成本函數(shù)，E(·)和U(·)分別為邊緣和云的收益函數(shù)。通過將云邊端協(xié)同的層次結(jié)構(gòu)映射到由效用函數(shù)相互關(guān)聯(lián)的子對策中，充分把握了協(xié)同架構(gòu)中各個參與者之間的內(nèi)在利益關(guān)系，揭示了利益相關(guān)者對數(shù)據(jù)資源分配的依賴關(guān)系，最大化了個人效用。這種基于激勵的模型參數(shù)共享過程將持續(xù)下去直到收斂，并達(dá)到了用低成本換取高性能的效果。如圖2所示。

圖2 面向云邊端協(xié)同聯(lián)邦學(xué)習(xí)的激勵機(jī)制

4  總結(jié)

隨著大數(shù)據(jù)和AI的發(fā)展，計(jì)算形式完成了從集中式單體計(jì)算到分布式網(wǎng)聯(lián)計(jì)算的躍遷，并正在朝著異構(gòu)、協(xié)同、全面泛在智能計(jì)算演進(jìn)。云邊端協(xié)同聯(lián)邦學(xué)習(xí)作為一種新興的技術(shù)方法，引發(fā)了學(xué)術(shù)界和產(chǎn)業(yè)界的極大關(guān)注。因此，本文介紹了近年來聯(lián)邦學(xué)習(xí)技術(shù)的發(fā)展，說明了其在云邊端協(xié)同領(lǐng)域的典型應(yīng)用，強(qiáng)調(diào)了一些克服其應(yīng)用的關(guān)鍵挑戰(zhàn)并展望了一些有趣的發(fā)展方向。總的來說，面向未來泛在智能的云邊端協(xié)同聯(lián)邦學(xué)習(xí)將會廣泛應(yīng)用于各行各業(yè)，不斷地、深刻地改變?nèi)藗兊纳a(chǎn)生活。例如近來熱度高、將有機(jī)會改變互聯(lián)網(wǎng)形態(tài)的元宇宙，云邊端協(xié)同聯(lián)邦學(xué)習(xí)可以為其提供無限滋長的技術(shù)土壤，成為元宇宙最重要的基礎(chǔ)設(shè)施之一，并對元宇宙的最終形態(tài)和融合起到?jīng)Q定性作用。

作者簡介:

趙云鳳（1997-），女，河北人，現(xiàn)就讀于天津大學(xué)智 能與計(jì)算學(xué)部，研究方向?yàn)檫吘売?jì)算、分布式機(jī)器學(xué) 習(xí)和博弈論等。 王曉飛（1982-），男，河北人，教授，現(xiàn)就職于天 津大學(xué)智能與計(jì)算學(xué)部，主要研究方向是邊緣智能理 論、邊緣計(jì)算系統(tǒng)架構(gòu)、云邊協(xié)同算法等。

仇 超（1988-），女，河北人，博士，現(xiàn)就職于天津 大學(xué)智能與計(jì)算學(xué)部，研究方向?yàn)檫吘壘W(wǎng)絡(luò)人工智能 資源優(yōu)化及區(qū)塊鏈共識算法。 劉志成（1992-），男，安徽人，現(xiàn)就讀于天津大學(xué)智 能與計(jì)算學(xué)部，研究方向?yàn)檫吘売?jì)算、多智能體學(xué)習(xí) 和博弈論等。 譚靖超（1994-），男，天津人，現(xiàn)就讀于天津大學(xué)智 能與計(jì)算學(xué)部，研究方向?yàn)檫吘売?jì)算、5G移動邊緣網(wǎng) 絡(luò)和云邊端網(wǎng)絡(luò)架構(gòu)等。 鄧 輝（1982-），男，河北人，現(xiàn)就讀于天津大學(xué)智 能與計(jì)算學(xué)部，研究方向?yàn)檫吘売?jì)算、算力網(wǎng)絡(luò)、數(shù) 字城市和邊云超網(wǎng)絡(luò)架構(gòu)等。

參考文獻(xiàn)：

[1] Goodfellow I, Bengio Y, Courville A. Deep Learning[M]. The MIT Press, 2016.

[2] Mcmahan H B, Moore E, D Ramage, et al. Communication-Efficient Learning of Deep Networks from DecentralizedData[J]. 2016.

[3] Goddard, Michelle. The EU General Data Protection Regulation (GDPR): European regulation that has a globalimpact[J]. International Journal of Market Research, 2017, 59 (6) : 703.

[4] Mao Y, You C, Zhang J, et al. A Survey on Mobile Edge Computing: The Communication Perspective[J]. IEEECommunications Surveys & Tutorials, 2017, (99) : 1.

[5] Wang S, Tuor T, Salonidis T, et al. Adaptive Federated Learning in Resource Constrained Edge Computing Systems[J].IEEE Journal on Selected Areas in Communications, 2019 : 1.

[6] Tran N H, Bao W, Zomaya A, et al. Federated Learning over Wireless Networks: Optimization Model Design andAnalysis[C]. IEEE INFOCOM 2019 - IEEE Conference on Computer Communications, 2019.

[7] Bonawitz K, Eichner H, Grieskamp W, et al. Towards Federated Learning at Scale: System Design[J]. 2019.

[8] Liu L, Zhang J, Song S H, et al. Client-Edge-Cloud Hierarchical Federated Learning[C]. ICC 2020 - 2020 IEEEInternational Conference on Communications (ICC), 2020.

[9] 微眾銀行開源 FATE[EB/OL].  (2019-02-01)  [2021-10-30]. 

[10] 平安科技"蜂巢"聯(lián)邦智能平臺入選2020網(wǎng)絡(luò)技術(shù)應(yīng)用試點(diǎn)示范名單[EB/OL]. (2020-12-04) [2021-10-30]. 

[11] 螞蟻金服發(fā)布隱私保護(hù)白皮書[EB/OL]. (2018-08-23) [2021-10-30]. 

[12] 京東數(shù)科推出自研聯(lián)邦學(xué)習(xí)平臺Fedlearn, 助力數(shù)據(jù)安全保護(hù)并大幅提升學(xué)習(xí)效率[EB/OL]. (2020-10-12) [2021-10-30].

[13] 騰訊天衍實(shí)驗(yàn)室聯(lián)合微眾銀行研發(fā)醫(yī)療聯(lián)邦學(xué)習(xí) AI利器讓腦卒中預(yù)測準(zhǔn)確率達(dá)80%[EB/OL]. (2020-04-14) [2021-10-30]. 

[14] NVIDIA Clara推聯(lián)邦學(xué)習(xí), 保護(hù)患者數(shù)據(jù)[EB/OL]. (2019-12-04) [2021-10-30].        

[15] 微眾銀行與特斯聯(lián)成立AIoT聯(lián)合實(shí)驗(yàn)室, 助力智慧安防多場景智能化升級[EB/OL]. (2019-12-25) [2021-10-30]. 

[16] 微眾、騰訊、華為、京東、平安、VMware頭部企業(yè)云集, 聚焦AI聯(lián)邦學(xué)習(xí)最新應(yīng)用落地[EB/OL]. (2019-11-04)[2021-10-30]

摘自《自動化博覽》2022年2月刊