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——《Federated Learning》给出了答案。

《Federated Learning》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。该书由美国Morgan&Claypool出版社出版，属于世界著名的AI丛书系列，2019年12月出版英文电子版，2020年1月印刷版面世，中文版预计于2020年4月由电子工业出版社博文视点出版。

 

本书主要解决了什么问题？

该书系统性阐述了如何将联邦学习与分布式机器学习、密码学和安全深度结合，并吸纳经济学原理和博弈论的激励机制设计相关理论，以解决“在数据不出本地、确保数据安全的情况下，让多个数据拥有者共享数据模型“的问题。并且介绍了联邦学习研究和开源平台和联邦学习落地实践，以及联邦学习在金融、计算机视觉等领域的应用案例。书中指出：联邦学习作为下一代人工智能大规模协作的基础，能迎合技术和社会的需求，承担起人工智能在发展和应用中的重任。

 

主要内容包括：

  • 联邦学习概述：要解决的问题、定义、分类、发展状况等；
  • 联邦学习相关的背景知识，包括隐私保护机器学习技术和数据分析等；
  • 分布式机器学习的相关介绍，并强调了联邦学习和分布式机器学习的区别；
  • 横向联邦学习、纵向联邦学习和联邦迁移学习的定义、架构、算法等详细介绍；
  • 基于经济学原理和博弈论的激励机制设计；
  • 联邦学习在扩展领域如计算机视觉、自然语言处理和推荐系统中的应用研究工作；
  • 联邦强化学习的策略、算法等；
  • 联邦学习在各个领域，如：金融、医疗、教育、智慧城市等行业的应用前景。
  • 联邦学习未来展望

 

为何要看这本书？

这是一个海量的却又是碎片化的数据时代，数据的“社会属性”日益凸显——既需要独立又需要合作，只有互帮互助却又保持着个体的隐私安全才能发挥最大的智慧与价值。联邦学习(Federated Learning) 的出现，是来自于人工智能落地的商业化实践探索，为数据隐私保护难题提供了领先的解决方案，也将回归实践，成为人工智能大规模应用落地的下一个风口。

相信这本书会为关注大数据与人工智能的读者提供全新的视野，了解联邦学习，参与共建联邦学习生态。

 

点这里，即可入手英文原装书籍。中文版书籍将于4月上市，敬请期待！

 

关于微众银行AI团队

本书由微众银行首席人工智能官（CAIO）杨强教授带领微众银行AI团队撰写。杨强教授是国际人工智能界的领军人物，是“迁移学习”（transfer learning）的开创者，并且带领团队首次提出“联邦迁移学习”（Federated Transfer Learning）的研究新方向。他是国际人工智能协会（AAAI）首位华人院士与执行委员会委员，是国际人工智能联合会（IJCAI，国际人工智能领域创立最早的顶级国际会议）首位华人理事会主席。2019年他获得第九届吴文俊人工智能杰出贡献奖，是国内人工智能领域最高奖项。

微众银行AI团队是微众银行顶级人工智能研发团队，致力于用自主可控、安全可信的AI技术探索金融科技新路，引领AI行业新方向。目前已在FedAI合作生态、新一代人机交互、精准营销、智能资管四大方向取得一系列成果。

在联邦学习领域，微众银行AI团队领衔联邦学习国际标准（联邦学习IEEE国际标准）、国内标准的制定。并在2019年初发布自主研发的全球首个工业级联邦学习开源框架FATE（FederatedAI Technology Enabler），不断进行联邦学习商业化探索，将理论用于解决问题，将应用落地于市场，在全球范围内引领和推动数据隐私保护下的AI协作生态建设。