吴超，浙江大学研究员，计算社会科学研究中心主任，伦敦帝国理工学院荣誉研究员，教育部人工智能协同创新中心成员，主要研究方向是分布式机器学习，承担了多项英国、欧盟和国内的人工智能相关项目，在国际期刊会议发表论文超过60篇。

现有的中心化和分布式机器学习机制所伴随的数据获取成本高、易被攻击、缺少高效数据融合方法等缺点，限制了数据资源的开发以其流通，在很大程度上阻碍了机器学习的广泛落地应用。为解决这些问题，本项目的研究中提出去中心化建模的概念，与传统分布式建模不同，将模型训练分散到海量数据端，建设一个利于机器学习的数据资源可持续开发与流通的生态环境，促进未被利用的海量数据的价值开发，对互联网、大数据、人工智能同实体经济深度融合具有重要的推进作用。

作业要求：

1. 在社会科学相关研究中，有哪些场景是适合于联邦学习等分布式算法的？

2. 数据定价有哪些困难和解决思路？

码上报名