优化回收电池的质量和盈利能力,清华团队通过联邦机器学习对废旧电池材料进行分类
未经分类的「退役电池」具有不同的正极材料,由于其正极特定的性质,阻碍了直接回收的采用。报废电池的激增需要精确分类以实现有效的直接回收,但不同的运营历史、不同的制造商以及回收合作者(数据所有者)的数据隐私问题带来了挑战。
未经分类的「退役电池」具有不同的正极材料,由于其正极特定的性质,阻碍了直接回收的采用。报废电池的激增需要精确分类以实现有效的直接回收,但不同的运营历史、不同的制造商以及回收合作者(数据所有者)的数据隐私问题带来了挑战。
AI在退役电池回收行业中,正极材料的回收价值极高。传统的处理方式(例如火法、湿法)通常不对正极材料进行分类,而以混合形式回收,资源利用效率低且利润有限。相较之下,直接回收(修复)方法可以显著提升经济价值,具有工艺流程短、二次能源消耗和污染低、经济效益高的优点,
编译丨张泷玲、杨柳编辑丨维克多今年1月份,苏黎世联邦理工学院的Stefan Feuerriegelc教授在 《Communications of the ACM》期刊上刊文“Artificial Intelligence Across Company Borders”,在文中教授指出了人工智能(AI
金融界2023年12月22日消息,据国家知识产权局公告,中国电信股份有限公司申请一项名为“联邦学习加速方法、装置、存储介质和电子设备“,公开号CN117273162A,申请日期为2022年6月。专利摘要显示,本公开提供了一种联邦学习加速方法、装置、存储介质和电子设备,涉及计算机技术领域。该联邦学习加
【】2021年12月9日-2021年12月11日,2021第六届全球人工智能大会(GAIR 2021)于深圳开幕。本届大会由粤港澳大湾区人工智能与机器人联合会、联合主办,深圳市人工智能与机器人研究院、深圳市机器人协会、深圳市人工智能学会支持。作为中国最具影响力和前瞻性的前沿科技活动之一, GAIR
伴随着移动设备的普及与终端数据的爆炸式增长,边缘智能(Edge Intelligence, EI)逐渐成为计算机学科研究领域的前沿。在这一浪潮中,联邦学习(Federated Learning, FL)作为分布式机器学习的新范式,不断吸引着学术界和产业界的关注。
11月10日-12日,西南财经大学、FATE开源社区、微众银行、中国计算机学会(CCF)成都分部共同举办的“可信联邦学习冬令营”在成都正式开营。学员来自全国各高校,将结合自身研究背景和兴趣,在专家的指导下围绕“可信联邦学习(TFL)”人工智能与隐私计算前沿领域展开研究实践,基于可信联邦学习多目标优化
财联社3月28日电,美国联邦行政管理与预算局3月28日发布指令,要求各联邦机构监测、评估和测试人工智能对公众的影响,减轻算法歧视的风险,并为公众提供政府如何使用AI的透明度。
作者丨何思思编辑丨陈彩娴今年 8 月,在于新加坡举办的 GAIR 大会主论坛上,前微软全球技术院士、美国双院院士黄学东用一句中国古语提出了他对大模型的发展理论预测:当时,国内大模型研发的主流趋势是一家自研一个基座大模型,正进入如火如荼的「百模大战」中,而黄学东院士的观点则反其道而行之,认为将所有鸡蛋
在人工智能领域,无论是从理论还是实践的角度,如何在保护用户隐私和数据安全的前提下,提高模型训练的效率和质量,都是一个重要的研究焦点。联邦学习(Federated Learning)就是一种能够在不损害用户隐私的前提下,训练人工智能模型的技术。