上市时间

2020.4

作者

杨强

刘洋

陈勇

康焱

陈天健

于涵

摘要

大数据与人工智能时代,如何将分散的数据联合,发挥数据的无限潜力?如何破解数据隐私保护难题?世界第一本“联邦学习”专著——《联邦学习》给出了答案。

传统的机器学习方法需要在一个位置(通常是数据中心)组合所有数据,这很可能违反用户隐私和数据机密性的法律。世界上许多地方都要求科技公司根据用户隐私法认真对待用户数据,如欧盟的通用数据保护条例(GDPR)就是一个很好的例子。

在这本书中,我们描述了联邦机器学习如何通过结合分布式机器学习、密码学和安全以及基于经济学原理和博弈论的激励机制设计的新解决方案来解决这个问题。我们解释了不同类型的隐私保护机器学习解决方案及其技术背景,并重点介绍了一些具有代表性的实际用例。我们展示联合学习可以成为下一代机器学习的基础,迎合技术和社会的需求,负责人工智能的发展和应用。

《联邦学习》是由微众银行6位人工智能领域顶级专家,历时两年倾力打造的世界上第一部系统介绍联邦学习的专著。全面分享微众银行在联邦学习领域的深厚积累,以促进行业互动。该书中文版于2020年4月由电子工业出版社博文视点出版。

 

书籍习题

(持续上线中,敬请期待)

第1章 — 引言

第2章 — 隐私、安全及机器学习

第3章 — 分布式机器学习

第4章 — 横向联邦学习

第5章 — 纵向联邦学习

第6章 — 联邦迁移学习

第7章 — 联邦学习激励机制

第8章 — 联邦学习与计算机视觉、自然语言处理及推荐系统

第9章 — 联邦强化学习

第10章 — 应用前景

第11章 — 总结与展望

 

获取习题集答案,或关于《联邦学习》更多想要咨询与交流的内容,欢迎来邮联系我们。
邮箱地址:federatedlearningbook@fedai.org