简介：为了探索联邦学习中的异质性，推动联邦学习领域的发展，阿里巴巴达摩院智能计算实验室联合天池举办“CIKM 2022 AnalytiCup Competition: 联邦异质任务学习”大赛，期待借助本次比赛助力打破现实应用中的“数据孤岛”，推动实现数据价值的共享。

CIKM 2022 AnalytiCup Competition: 联邦异质任务学习

联邦学习（Federated Learning）是一种新的机器学习范式，允许多个参与者在不直接分享各自数据的前提下共同训练机器学习模型。其核心挑战是如何应对参与者之间的异质性（Heterogeneity），其中数据分布的异质性（non-IID）已引起了研究界的广泛关注，并快速成为了联邦学习领域的研究热点之一。然而，在联邦学习的许多实际应用中，联邦任务参与者之间的异质性往往更加复杂，也更具挑战性：不仅仅是数据分布，甚至参与者的任务都会呈现出较大的差异性。例如，在一个分子图的联邦学习任务中，某些参与者的目标是对分子的类型进行判断，即分类任务，另外部分参与者的目标是预测分子化学性质的强弱，即回归任务。在这种任务场景下，虽然参与者都要求训练得到的模型具有对分子图表征的理解能力，但是其具体的学习目标是完全不同的，相比数据分布的异质性更具挑战性。

为了应对联邦学习在现实应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：联邦异质任务学习（Federated hetero-task learning）。相比于传统的联邦学习，这一设定鼓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）、自动机器学习（Auto-ML）等不同领域的研究概念进行融合，从而打通现实应用中的“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]，来帮助研究人员更加容易地探索、设计、实现联邦异质任务学习算法，并进行充分地验证。

同时，阿里巴巴达摩院智能计算实验室联合天池举办“CIKM 2022 AnalytiCup Competition: 联邦异质任务学习”大赛，并准备了丰厚的奖励，期待更多的同学能够共同参与到联邦异质任务学习的探索中。

为了帮助参赛者能够尽快上手，我们准备了一个详细的教程，并提供了一个可以直接使用的playground供参赛者使用。

• 比赛官方网址：https://tianchi.aliyun.com/competition/entrance/532008/introduction
• FederatedScope开源联邦学习平台：https://github.com/alibaba/FederatedScope

• 比赛奖金：

  • 第一名：5000 USD
  • 第二名：3000 USD
  • 第三名：1500 USD
  • 第四至十名：各500 USD

• 比赛证书：

  • 第一至二十名：排名证书
  • 其他：参赛证书

• 比赛时间安排（所有时间以截止日期的UTC时间11:59PM计算）

  • 2022年07月15日：比赛开始，数据集和代码开放下载。论坛和比赛排行榜开始更新。
  • 2022年09月01日：比赛注册结束。
  • 2022年09月11日：预测结果提交截止。
  • 2022年09月12日：主办方进行代码审查，排行榜前30名的队伍将自动进入代码审查阶段。
  • 2022年09月18日：公布代码审查结果。
  • 2022年09月21日：公布"CIKM 2022 AnalytiCup Competition"结果。
  • 2022年10月17日：CIKM 2022会议开始。

引用

1. FederatedScope: A Flexible Federated Learning Platform for Heterogeneity. arXiv preprint 2022. pdf
2. FederatedScope-GNN: Towards a Unified, Comprehensive and Efficient Package for Federated Graph Learning. KDD 2022. pdf

原文链接：https://developer.aliyun.com/article/991177?

版权声明：本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。