Workshop on Decentralized Machine Learning, Optimization and Privacy
Publié le dans event-world
La chaire Machine Learning for Big Data soutient l’organisation de cet atelier sur l'apprentissage statistique décentralisé centré sur l'optimisation et la vie privée, qui se déroulera du 11 au 12 septembre 2017 à l’INRIA de Lille. Joseph Salmon, maître de conférence en apprentissage statistique à Télécom ParisTech et Aurélien Bellet, chercheur en machine learning à l'INRIA Lille et ancien post-doctorant de la chaire Machine Learning for Big Data, participent à son organisation.
Avec l'apparition de dispositifs personnels possédant des capacités de stockage et de calcul propres, il devient possible d’exploiter le machine learning pour fournir des services personnalisés aux utilisateurs sans exposer leurs données sensibles aux grands centres de données. Ces architectures décentralisées permettent aux individus de mieux contrôler leurs données, et pour le prestataire de service de réduire les coûts d’infrastructure et les risques liés au stockage et au traitement de données.
A travers ce nouveau paradigme, comment concevoir des algorithmes d’optimisation efficaces ? Comment les utilisateurs peuvent-ils collaborer pour apprendre des modèles utiles dans un réseau entièrement décentralisé où la communication s’effectue poste par poste sans aucune entité centrale ? Ces questions seront abordée dans le cadre de cet atelier pluridisciplinaire consacré aux nouveaux défis scientifiques soulevés par le machine learning décentralisé, avec des interventions d'experts de rang international :
Dan Alistarh (ETH Zurich / IST Austria)
Borja Balle (Amazon Research)
Keith Bonawitz (Google Research)
Hamed Haddadi (QMUL)
Stephen Hardy (Data61 / CSIRO)
Mikael Johansson (KTH)
Peter Richtárik (University of Edinburgh)
Meilof Veeningen (Philips Research)
Informations pratiques
Adresse : INRIA de Lille, au Parc scientifique de la Haute Borne à Villeneuve d'Ascq (59650).