联邦学习:原理与算法

数据孤岛问题已经成为制约人工智能发展的主要阻碍。在此背景下, 联邦学习(Federated Learning) 作为一种新兴的机器学习技术范式, 凭借其突出的隐私保护能力,展示出在诸多业务场景中的应用价值。 本书从联邦学习的基础知识出发, 深浅出地介绍了中央服务器优化和联邦机器学习的算法体系, 详细阐述了联邦学习中涉及的加密通信模块的相关知识, 以定性和定量的双视角建立了联邦学习服务质量的评估维度、理论体系, 还延伸介绍了提升联邦学习服务质量的方法, 并对联邦学习的研究趋势行了深探讨与分析, 可以对设计和选择算法提供工具式的参考和帮助。 本书是高校、科研院所和业界相关学者研究联邦学习技术的理想读本, 也适合大数据、人工智能行业的从业者和感兴趣的读者参考。
【推荐语】
1. 联邦学习是目前人工智能领域较受重视的技术范式之一，谷歌、IBM、英伟达、腾讯等众多巨头场，李复力推； 2. 由平安科技联邦学习团队执笔，牵头作者为国内联邦学习推动者、平安科技副总工程师和技术部总经理王健宗博士； 3. 从基础知识出发，深浅出的介绍了中央服务器优化和联邦机器学习的算法体系，适合大数据、人工智能行业从业者参考； 4. 广泛考虑工程实践，系统介绍联邦学习算法，中国科学院信息工程研究所提供加密理论方面支持，保障理论前沿性。
【作者】
王健宗 博士，美国佛罗里达大学人工智能博士后，工程师，某大型金融集团科技公司联邦学习团队负责人，中国计算机学会杰出会员、大数据和量子计算专业委员会委员，长期从事联邦学习、隐私计算技术研发和平台搭建工作，在联邦学习、人工智能、云计算、大数据等领域发表国际论文 50 余篇，出版《深理解 AutoML 和 AutoDL)、《金融智能》等共四部作品。 李泽远 某大型金融集团科技公司 Al 产品经理，CCF YOCSEF 深圳 AC 委员，长期负责 Al平台的标准 化产品设计，参与完成多项隐私计算产品在金融、医疗、政务场景中的交付落地，拥有丰富的实战经验。累计发表科研论文及申报专利数十篇 项，出版作品3部。 何安珣 某头部互联网公司产品经理。在金融科技领域深耕多年，在隐私计算领域生态建设、技术研究和架构搭建等方面拥有丰富的经验，致力于推动隐私计算行业数字经济转型。累计发表科研论文、申报专利数十篇 项，参与业内多项标准制定。 王伟 中国科学院信息工程研究所信息安全国家重实验室助理研究员，信息安全博士，主要研究方向为密码技术。在国际学术会议上发表论文多篇，获得数项国家发明专利授权，承担和参与了多项国家和省部级科研项目。