6月14日下午2点，英特尔 AI 百佳创新激励计划在线研讨会全匿踪联邦学习与 TEE 专场将正式直播。富数科技首席科学家陈立峰和冲量在线产品总经理周岳骞，将分别围绕全匿踪联邦学习、基于 TEE 的异构算力网络进行深入讲解。

富数科技：全匿踪联邦学习技术及其在隐私计算领域的应用

联邦学习作为隐私计算的关键技术，在利用多方数据进行安全合规联合建模方面发挥重要作用。然而，传统联邦学习中的安全求交环节存在泄漏交集用户 ID 的风险，限制了隐私计算的大规模应用。

为解决这一难题，富数科技自主研发了“全匿踪联邦学习”，突破了不泄露交集 ID、在全匿名数据集下进行联邦学习的技术难题。该技术采用匿踪对齐、匿名化算法处理以及匿踪联邦学习算法，实现了在保持匿踪的条件下进行联合建模、迭代训练直到收敛。同时，对算法进行了计算量和空间存储的优化，保证了算法的可用性。

本次分享，将介绍全匿踪联邦学习技术的研发背景、技术原理与优化情况，以及该技术在隐私计算领域的应用及前景。

冲量在线：基于 TEE 的异构算力网络赋能可信安全的 AIGC 产业发展

随着越来越多的行业开始使用专属数据训练 AIGC 大模型推动业务转型，大规模、分布式、高弹性的分布式云计算资源成为模型训练和推理的首选。

为了解决算力资源弹性调度与训练数据安全合规之间的矛盾，冲量在线探索 TEE 技术与 AI 算力之间的结合。从 TEE 与联邦学习相结合，解决建模过程中恶意协调方带来的数据泄露风险并大幅提升训练效率，到结合 CPU 与 GPU 算力，实现 TEE 的异构可信算力，大幅拓展了 TEE 保护数据安全的边界。

基于这些技术，冲量在线进一步深入研究 TEE 在 AIGC 大模型训练和推理框架中的应用，为 AIGC 服务商提供了全流程的可信、安全服务。本次分享将对此进行全面讲解，也将通过具体场景分析其未来的应用。