联邦学习实战

数据孤岛和隐私保护已经成为制约人工智能发展的关键因素。联邦学习作为一种新型的隐私保护计算方案，在数据不出本地的前提下，能有效联合各参与方联合建模，从而实现“共同富裕”，成为当下人工智能领域备受关注的热。 本书以实战为主（包括对应用案例的深讲解和代码分析），兼顾对理论知识的系统总结。全书由五部分共19 章构成。*部分简要介绍了联邦学习的理论知识；第二部分介绍如何使用Python 和FATE 行简单的联邦学习建模；第三部分是联邦学习的案例分析，筛选了经典案例行讲解，部分案例用Python 代码实现，部分案例采用FATE 实现；第四部分主要介绍和联邦学习相关的高级知识，包括联邦学习的架构和训练的加速方法等；第五部分是回顾与展望。 本书适合对联邦学习和隐私保护感兴趣的高校研究者、企业研发人员阅读。
【推荐语】
联邦学习实战》涵盖了联邦学习落地的一手应用案例，配以Python代码、阐述FATE平台的使用，读者可以快速始联邦学习的建模，动手实践！ 《联邦学习实战》特色： 深度剖析前沿应用案例 丰富的配套视频资源、线上资源 部分案例配以Python代码讲解
【作者】
杨强教授 微众银行首席人工智能官（CAIO）和香港科技大学（HKUST）计算机科学与工程系讲席教授。曾任香港科技大学计算机科学与工程系系主任。研究兴趣包括人工智能、机器学习和数据挖掘，特别是迁移学习、自动规划、联邦学习和基于案例的推理。当选多个国际学会会士（Fellow），包括ACM、AAAI、IEEE、IAPR， CAAI和AAAS。1982 年获北京大学天体物理学学士学位，并分别于1987年和1989 年获马里兰大学帕克分校计算机科学系硕士学位和博士学位。曾在滑铁卢大学（University of Waterloo,1989-1995 年）和西蒙弗雷泽大学（Simon Fraser University, 1995-2001 年）担任教授。ACM TIST 和IEEE TBD 创始主编，国际人工智能联合会议（IJCAI）理事长（2017-2019 年）和国际人工智能促学会（AAAI）的执行委员会成员（2016-2020 年）, 香港人工智能学会的理事长，曾任AAAI 2021大会主席。曾获多个奖项，包括2004/2005 ACM KDDCUP 冠军、ACM SIGKDD 卓越服务奖（2017）、AAAI 创新人工智能应用奖（2018, 2020）和吴文俊人工智能杰出贡献奖（2019）。华为诺亚方舟实验室的创始主任（2012-2014 年）和第四范式（AI 平台公司）的共同创始人。 黄安埠 微众银行AI项目组资深研究员，毕业于清华大学。在机器学习、隐私保护安全计算、推荐系统和计算机视觉等领域有丰富的研究和落地经验。已申请和拥有30多项国内和PCT国际专利，学术成果发表在AAAI、ACM TIST、IEEE BigData、AI Magazine等国际学术会议期刊上；获得AAAI人工智能创新应用奖（2020年）；著有《深浅出深度学习》（电子工业出版社，2017年）一书。在加微众银行之前曾任职于腾讯，期间领导创建了服务于亿级用户、全球的中文音乐流媒体在线推荐平台。 刘洋 微众银行AI项目组资深研究员、研究团队负责人。研究兴趣包括机器学习、联邦学习、迁移学习、多智能体系统、统计力学以及这些技术的产业应用。2012年获得普林斯顿大学博士学位，2007年获得清华大学学士学位。拥有多项国际发明专利，研究成果曾发表于Nature、IJCAI、AAAI和ACM TIST等科研刊物和会议上；曾获得AAAI人工智能创新应用奖、IJCAI创新应用奖和CCF科技成果奖等多个奖项；《联邦学习》一书的主要作者之一。 陈天健 微众银行AI项目组副总经理，目前负责构建基于联邦学习技术的银行智能生态系统。拥有超过15年的大规模分布式智能系统设计经验，并在Web搜索引擎、对等网络存储、计算基因组学、个性化推荐系统、数字银行等多个应用领域中实现了技术创新。现居中国深圳，与工作伙伴一起建设和推广联邦学习源项目FATE。在加微众银行之前曾担任百度金融首席架构师（同时也是百度的主任架构师）。