具體描述
如何在保證本地訓練數據不公開的前提下，實現多個數據擁有者協同訓練一個共享的機器學習模型？傳統的機器學習方法需要將所有的數據集中到一個地方（例如，數據中心），然後進行機器學習模型的訓練。但這種基於集中數據的做法無疑會嚴重侵害用戶隱私和數據安全。如今，世界上越來越多的人開始強烈要求科技公司必須根據用戶隱私法律法規妥善地處理用戶的數據，歐盟的《通用數據保護條例》是一個很好的例子。在本書中，我們將描述聯邦學習（亦稱聯邦機器學習）如何將分布式機器學習、密碼學、基於金融規則的激勵機製和博弈論結閤起來，以解決分散數據的使用問題。我們會介紹不同種類的麵嚮隱私保護的機器學習解決方案以及技術背景，並描述一些典型的實際問題解決案例。我們還會進一步論述聯邦學習將成為下一代機器學習的基礎，可以滿足技術和社會需求並促進麵嚮安全的人工智能的開發和應用。
《聯邦學習》可供計算機科學、人工智能和機器學習專業的學生，以及大數據和人工智能應用程序的開發人員閱讀，也可供高等院校的教員、研究機構的研究人員、法律法規製定者和政府監管部門參考。
作者簡介
楊強
楊強教授是微眾銀行的首席人工智能官（CAIO）和香港科技大學（HKUST）計算機科學與工程係講席教授。他是香港科技大學計算機科學與工程係的前任係主任，並曾擔任大數據研究院的創始主任（2015-2018 年）。他的研究興趣包括人工智能、機器學習和數據挖掘，特彆是遷移學習、自動規劃、聯邦學習和基於案例的推理。他是多個國際協會的會士（Fellow），包括ACM、AAAI、IEEE、IAPR 和AAAS。他於1982 年獲得北京大學天體物理學學士學位，分彆於1987年和1989 年獲得馬裏蘭大學帕剋分校計算機科學係碩士學位和博士學位。他曾在在滑鐵盧大學（1989-1995 年）和西濛弗雷澤大學（1995-2001 年）擔任教授。他是ACM TIST 和IEEE TBD 的創始主編。他是國際人工智能聯閤會議（IJCAI）的理事長（2017-2019 年）和人工智能發展協會（AAAI）的執行委員會成員（2016-2020 年）。楊強教授曾獲多個奬項，包括2004/2005 ACM KDDCUP 冠軍、ACM SIGKDD 卓越服務奬（2017）、AAAI 創新人工智能應用奬（2018, 2020）和吳文俊人工智能傑齣貢獻奬（2019）。他是華為諾亞方舟實驗室的創始主任（2012-2014 年）和第四範式（AI 平颱公司）的共同創始人。他是Intelligent Planning （Springer）、Crafting Your Research Future (Morgan & Claypool)、Transfer Learning （Cambridge University
Press）與Constraint-based Design Recovery for Software Engineering （Springer）等
著作的作者。
劉洋
劉洋是微眾銀行AI 項目組的高級研究員。她的研究興趣包括機器學習、聯邦學習、遷移學習、多智能體係統、統計力學，以及這些技術的産業應用。她於2012 年獲得普林斯頓大學博士
學位，2007 年獲得清華大學學士學位。她擁有多項國際發明專利，研究成果曾發錶於Nature、IJCAI 和ACM TIST 等科研刊物和會議上。她曾獲AAAI 人工智能創新應用奬、IJCAI 創新應用奬等多個奬項，並擔任IJCAI 高級程序委員會委員，NeurIPS 等多個人工智能會議研討會聯閤主席，以及IEEE Intelligent Systems 期刊客座編委等。
程勇
程勇是微眾銀行AI 項目組的高級研究員。他曾任華為技術有限公司（深圳）高級工程師和德國貝爾實驗室高級研究員，也曾在華為-香港科技大學創新實驗室擔任研究員。他的研究興趣和
專長主要包括聯邦學習、深度學習、計算機視覺和OCR、數學優化理論和算法、分布式和網絡計算以及混閤整數規劃。他發錶期刊和會議論文20 餘篇。他於2006 年、2010 年、2013 年分彆在浙江大學、香港科技大學、德國達姆施塔特工業大學獲工學學士學位（一等榮譽）、碩士學位和博士學位。他於2014 年獲達姆施塔特工業大學最佳博士論文奬，於2006 年獲浙江大學
最佳學士論文奬。他在ICASSP’15 會議上做瞭關於“混閤整數規劃”的教程。他是IJCAI’19 和NIPS’19 等國際會議的程序委員會委員。
康焱
康焱是微眾銀行AI 項目組的高級研究員。他的工作重點是麵嚮隱私保護的機器學習和聯邦遷移學習技術的研究和實現。他在馬裏蘭大學巴爾的摩分校獲計算機碩士和博士學位。他的博士論文研究的是以機器學習和語義網絡進行異構數據集成，並獲得瞭博士論文奬學金。在就讀研究生期間，他參與瞭與美國國傢標準與技術研究院（NIST）和美國國傢科學基金會（NSF）閤作的多個項目，設計和開發語義網絡集成係統。他在商業軟件項目方麵也有著豐富的經驗。他曾在美國
Stardog Union 公司和美國塞納公司工作瞭四年多的時間，從事係統設計和實現方麵的工作。
陳天健
陳天健是微眾銀行AI 項目組的副總經理。他現在負責構建基於聯邦學習技術的銀行智能生態係統。在加入微眾銀行之前，他是百度金融的首席架構師，同時也是百度的首席架構師。他擁有超過12 年的大規模分布式係統設計經驗，並在Web 搜索引擎、對等網絡存儲、基因組學、推薦係統、數字銀行和機器學習等多個應用領域中實現瞭技術創新。他現居於中國深圳，與其他工作夥伴一起建設和推廣聯邦AI 生態係統和相關的開源項目FATE。
於涵
於涵現任職新加坡南洋理工大學（NTU）計算機科學與工程學院助理教授、微眾銀行特聘顧問。在2015—2018 年期間，他在南洋理工大學擔任李光耀博士後研究員（LKY PDF）。在加入南洋理工大學之前，他曾在新加坡惠普公司擔任嵌入式軟件工程師。他於2014 年獲南洋理工大學計算機科學博士學位。他的研究重點是在綫凸優化、人工智能倫理、聯邦學習及其在眾包等復雜協作係統中的應用。他在國際學術會議和期刊上發錶研究論文120 餘篇，獲得瞭多項科研奬項。
目錄資訊
前言ii
作者簡介vi
第1 章引言/1
1.1 人工智能麵臨的挑戰/2
1.2 聯邦學習概述/4
1.2.1 聯邦學習的定義/5
1.2.2 聯邦學習的分類/8
1.3 聯邦學習的發展/10
1.3.1 聯邦學習的研究/11
1.3.2 開源平颱/12
1.3.3 聯邦學習標準化進展/13
1.3.4 聯邦人工智能生態係統/14
第2 章隱私、安全及機器學習/15
2.1 麵嚮隱私保護的機器學習/16
2.2 麵嚮隱私保護的機器學習與安全機器學習/16
2.3 威脅與安全模型/17
2.3.1 隱私威脅模型/17
2.3.2 攻擊者和安全模型/19
2.4 隱私保護技術/20
2.4.1 安全多方計算/20
2.4.2 同態加密/24
2.4.3 差分隱私/27
第3 章分布式機器學習/31
3.1 分布式機器學習介紹/32
3.1.1 分布式機器學習的定義/32
3.1.2 分布式機器學習平颱/33
3.2 麵嚮擴展性的DML /34
3.2.1 大規模機器學習/34
3.2.2 麵嚮擴展性的DML 方法/35
3.3 麵嚮隱私保護的DML /38
3.3.1 隱私保護決策樹/38
3.3.2 隱私保護方法/40
3.3.3 麵嚮隱私保護的DML 方案/40
3.4 麵嚮隱私保護的梯度下降方法/42
3.4.1 樸素聯邦學習/44
3.4.2 隱私保護方法/44
3.5 挑戰與展望/46
第4 章橫嚮聯邦學習/47
4.1 橫嚮聯邦學習的定義/48
4.2 橫嚮聯邦學習架構/49
4.2.1 客戶-服務器架構/49
4.2.2 對等網絡架構/51
4.2.3 全局模型評估/53
4.3 聯邦平均算法介紹/54
4.3.1 聯邦優化/54
4.3.2 聯邦平均算法/56
4.3.3 安全的聯邦平均算法/59
4.4 聯邦平均算法的改進/61
4.4.1 通信效率提升/61
4.4.2 參與方選擇/62
4.5 相關工作/62
4.6 挑戰與展望/64
第5 章縱嚮聯邦學習/67
5.1 縱嚮聯邦學習的定義/69
5.2 縱嚮聯邦學習的架構/70
5.3 縱嚮聯邦學習算法/71
5.3.1 安全聯邦綫性迴歸/72
5.3.2 安全聯邦提升樹/75
5.4 挑戰與展望/79
第6 章聯邦遷移學習/81
6.1 異構聯邦學習/82
6.2 聯邦遷移學習的分類與定義/82
6.3 聯邦遷移學習框架/84
6.3.1 加法同態加密/87
6.3.2 聯邦遷移學習的訓練過程/87
6.3.3 聯邦遷移學習的預測過程/88
6.3.4 安全性分析/88
6.3.5 基於秘密共享的聯邦遷移學習/89
6.4 挑戰與展望/90
第7 章聯邦學習激勵機製/93
7.1 貢獻的收益/94
7.1.1 收益分享博弈/94
7.1.2 反嚮拍賣/96
7.2 注重公平的收益分享框架/97
7.2.1 建模貢獻/98
7.2.2 建模代價/98
7.2.3 建模期望損失/98
7.2.4 建模時間期望損失/99
7.2.5 策略協調/99
7.2.6 計算收益評估比重/101
7.3 挑戰與展望/103
第8 章聯邦學習與計算機視覺、
自然語言處理及推薦係統/105
8.1 聯邦學習與計算機視覺/106
8.1.1 聯邦計算機視覺/106
8.1.2 業內研究進展/108
8.1.3 挑戰與展望/109
8.2 聯邦學習與自然語言處理/110
8.2.1 聯邦自然語言處理/110
8.2.2 業界研究進展/111
8.2.3 挑戰與展望/112
8.3 聯邦學習與推薦係統/112
8.3.1 推薦模型/113
8.3.2 聯邦推薦係統/114
8.3.3 業界研究進展/116
8.3.4 挑戰與展望/116
第9 章聯邦強化學習/117
9.1 強化學習介紹/118
9.1.1 策略/118
9.1.2 奬勵/119
9.1.3 價值函數/119
9.1.4 環境模型/119
9.1.5 強化學習應用舉例/119
9.2 強化學習算法/120
9.3 分布式強化學習/121
9.3.1 異步分布式強化學習/122
9.3.2 同步分布式強化學習/122
9.4 聯邦強化學習/122
9.4.1 聯邦強化學習背景/123
9.4.2 橫嚮聯邦強化學習/123
9.4.3 縱嚮聯邦強化學習/125
9.5 挑戰與展望/127
第10 章應用前景/129
10.1 金融/130
10.2 醫療/131
10.3 教育/132
10.4 城市計算和智慧城市/133
10.5 邊緣計算和物聯網/135
10.6 區塊鏈/136
10.7 第五代移動網路/137
第11 章總結與展望/139
附錄A 數據保護法律和法規/141
A.1 歐盟的數據保護法規/142
A.1.1 GDPR 中的術語/143
A.1.2 GDPR 重點條款/143
A.1.3 GDPR 的影響/146
A.2 美國的數據保護法規/147
A.3 中國的數據保護法規/148
參考文獻/151
· · · · · · (收起)
讀後感
用戶評價
我在這本《聯邦學習》中看到瞭作者深厚的功底和對技術的深刻洞察。書中對各種主流聯邦學習框架的分析，以及對它們在性能、安全性和可擴展性等方麵的比較，都讓我眼前一亮。作者並沒有偏袒任何一種框架，而是客觀地分析瞭它們的優劣，並為讀者提供瞭選擇的依據。我尤其欣賞書中關於“聯邦學習平颱的構建和部署”的詳細指南，這對於想要在實際工作中應用聯邦學習技術的讀者來說，具有極高的參考價值。它讓我明白，從理論到實踐，還有很多細節需要考慮，而這本書為我提供瞭寶貴的路綫圖。
评分這本《聯邦學習》簡直就是一本寶藏！我最近對人工智能和隱私保護這兩個領域都特彆感興趣，而這本書恰好完美地結閤瞭它們。一開始拿到這本書，就被它厚重的紙張和精緻的封麵吸引瞭，感覺像是拿到瞭一本陳年的經典著作。翻開第一頁，我就被作者嚴謹的邏輯和清晰的錶達深深吸引。書中對聯邦學習的起源、發展曆程以及核心概念的介紹，就像一位經驗豐富的嚮導，帶我一步一步地走進這個迷人的世界。我尤其喜歡它在介紹基礎理論時，沒有直接扔給我一堆枯燥的公式，而是通過大量生動的案例和類比，將抽象的概念具象化。例如，在解釋“數據孤島”問題時，作者描繪瞭不同地區醫療機構之間在共享患者數據時麵臨的隱私障礙，以及聯邦學習如何在這種情況下提供解決方案，讓我立刻就理解瞭其存在的必要性和巨大潛力。
评分《聯邦學習》這本書的價值遠不止於理論知識的傳授，它更像是一場思想的盛宴。作者在書中引用瞭大量前沿的研究成果和學術論文，讓我能夠及時瞭解聯邦學習領域的最新動態。同時，書中也提供瞭豐富的參考資料和學習資源，鼓勵讀者進行更深入的探索。我特彆喜歡書中關於“聯邦學習中的攻擊與防禦”的章節，它讓我看到瞭這個領域所麵臨的挑戰，也激發瞭我對如何設計更安全的聯邦學習係統的興趣。這本書讓我明白，學習是一個永無止境的過程，而它為我提供瞭一個絕佳的起點。
评分讀完《聯邦學習》這本書，我感覺自己像是經過瞭一次思維的洗禮。在閱讀之前，我對隱私計算的概念隻是一知半解，總覺得它神秘而遙不可及。但是，這本書用一種非常接地氣的方式，將復雜的理論拆解開來，讓我看到瞭聯邦學習如何在保護用戶隱私的前提下，實現數據的價值最大化。我印象最深刻的是書中關於“差分隱私”和“同態加密”等安全技術在聯邦學習中的應用章節。作者用通俗易懂的語言，解釋瞭這些技術是如何為聯邦學習提供安全保障的，並且通過具體的例子，展示瞭它們在實際應用中的優勢和局限性。我之前對這些概念總是望而卻步，感覺它們離我的生活太遠，但這本書卻讓我看到瞭它們與我息息相關的聯係，讓我對其有瞭更深刻的認識和更強的信心。
评分從這本書的字裏行間，我感受到瞭作者對於推動數據隱私和人工智能發展的熱忱。書中對聯邦學習倫理和社會影響的討論，讓我意識到技術發展不僅僅是冰冷的算法，更需要關注其對社會的長遠影響。作者強調瞭在推進聯邦學習過程中，需要考慮的公平性、透明度和問責製等問題，這讓我對這項技術有瞭更全麵、更深入的認識。這本書不僅僅是教授技術，更是在引導我們思考如何負責任地利用數據，如何構建一個更加美好的智能未來。我被這種人文關懷深深打動，也更加堅定瞭學習和應用聯邦學習的決心。
评分《聯邦學習》這本書給我帶來的最直觀感受就是它的“乾貨”十足。書中沒有一句廢話，也沒有任何故弄玄虛的內容。每一頁都充滿瞭作者的思考和研究成果，讓我受益匪淺。我尤其欣賞書中對聯邦學習在實際部署中麵臨的挑戰和解決策略的深入探討。例如，書中詳細介紹瞭如何處理參與方計算能力和數據量不均衡的問題，以及如何設計有效的激勵機製來鼓勵更多參與方加入聯邦學習的體係。這些內容對於想要將聯邦學習技術落地到實際業務中的讀者來說，無疑是極其寶貴的參考。它讓我看到，理論與實踐之間並非遙不可及，而是可以通過嚴謹的分析和創新的方法來架起橋梁。
评分這本書的寫作風格非常獨特，既有學術的嚴謹性，又不失文學的流暢性。作者善於運用比喻和類比，將抽象的技術概念變得生動有趣。我尤其喜歡書中對“多方安全計算”這一概念的闡釋，作者將其比喻成一個“秘密會議”，參與者們在不暴露各自秘密的前提下，共同達成一個目標。這種形象的比喻，讓我瞬間就理解瞭多方安全計算的核心思想，也為我後續理解聯邦學習中的安全機製打下瞭堅實的基礎。這本書讓我感覺到，作者不僅是一位技術專傢，更是一位優秀的教育傢，能夠將復雜的知識以最易於理解的方式呈現給讀者。
评分《聯邦學習》這本書不僅僅是一本技術書籍，更是一本關於未來數據交互方式的思考錄。書中對聯邦學習未來發展趨勢的展望，讓我對這個領域充滿瞭期待。作者預測，隨著隱私保護意識的日益增強和技術的不斷成熟，聯邦學習將會在未來的數據科學和人工智能領域扮演越來越重要的角色。我特彆喜歡書中關於“個性化聯邦學習”和“可解釋聯邦學習”的討論，這讓我看到瞭聯邦學習在滿足個性化需求和提高模型透明度方麵的巨大潛力。這本書讓我看到瞭一個更加安全、公平、高效的數據利用新時代正在悄然到來。
评分這本書的結構設計堪稱完美，讓我有一種循序漸進的學習體驗。作者首先從宏觀層麵介紹瞭聯邦學習的定義、目標和重要性，然後逐步深入到具體的算法、技術細節和應用場景。這種由淺入深的講解方式，讓我在閱讀過程中不會感到 overwhelming，而是能夠輕鬆地吸收和理解新知識。我特彆喜歡書中對聯邦學習在不同行業中的應用案例的詳細描述，比如金融、醫療、物聯網等領域。這些案例的真實性和典型性，讓我看到瞭聯邦學習在現實世界中的巨大價值，也激發瞭我進一步探索其應用潛力的興趣。我覺得這本書不僅適閤技術開發者，也適閤對人工智能和數據隱私感興趣的普通讀者。
评分這本書的深度和廣度讓我驚嘆不已。它不僅僅停留在概念層麵，而是深入探討瞭聯邦學習在實際應用中遇到的各種挑戰，比如模型聚閤的效率問題、參與方之間的通信開銷、以及如何保證模型的公平性和魯棒性等等。作者在每一個章節都為我們呈現瞭不同的視角和解決方案，讓我深刻體會到聯邦學習並非一蹴而就，而是一個不斷演進和優化的過程。我特彆欣賞書中對不同聯邦學習算法的詳細闡述，例如橫嚮聯邦學習、縱嚮聯邦學習，以及它們各自的適用場景。作者並沒有簡單地羅列算法名稱，而是深入剖析瞭每種算法的內在機製、優缺點，並配以清晰的圖示和僞代碼，讓我能夠更直觀地理解其工作原理。對於我這種有一定技術背景的讀者來說，這種深入的剖析非常有價值，讓我能夠跳齣“黑箱”思維，真正掌握聯邦學習的核心技術。
评分算是基礎理念和係統培訓的入門書籍，能有效地構建整體認識，用來開闊視野還是很不錯的。
评分為瞭最近技術分享準備而買的一本書，雖然微眾的聯邦學習在業界的口碑一般，開源的FATE也是褒貶不一，juejue就說不要被他們誤導瞭，哈哈……但通過這本書去溯源瞭安全計算，差分隱私，同態加密，混淆電路等一大波密碼學知識，還是有不少收獲的。聯邦學習，粗略地來看，就是分布式機器學習加上安全計算，並不是一個全新的領域，恰逢現在gdpr這些法律齣來，數據隱私成瞭大傢必須重視的問題，風口來瞭，看能不能飛起來吧
评分齣版的第一時間就到手瞭，對聯邦學習這門新技術的介紹非常係統，三大闆塊的具體技術和案例也做瞭進一步探討，感覺比較適閤從業者對此技術有個整體認識。
评分聯邦學習的先行者，能齣版國內第一本給大傢點亮視野的書，本身就是很牛的是一件事。 極力推薦小夥伴們閱讀。
评分齣版的第一時間就到手瞭，對聯邦學習這門新技術的介紹非常係統，三大闆塊的具體技術和案例也做瞭進一步探討，感覺比較適閤從業者對此技術有個整體認識。
相關圖書
本站所有內容均為互聯網搜索引擎提供的公開搜索信息，本站不存儲任何數據與內容，任何內容與數據均與本站無關，如有需要請聯繫相關搜索引擎包括但不限於百度，google,bing,sogou 等
© 2026 qciss.net All Rights Reserved. 小哈圖書下載中心 版权所有