具体描述
如何在保证本地训练数据不公开的前提下，实现多个数据拥有者协同训练一个共享的机器学习模型？传统的机器学习方法需要将所有的数据集中到一个地方（例如，数据中心），然后进行机器学习模型的训练。但这种基于集中数据的做法无疑会严重侵害用户隐私和数据安全。如今，世界上越来越多的人开始强烈要求科技公司必须根据用户隐私法律法规妥善地处理用户的数据，欧盟的《通用数据保护条例》是一个很好的例子。在本书中，我们将描述联邦学习（亦称联邦机器学习）如何将分布式机器学习、密码学、基于金融规则的激励机制和博弈论结合起来，以解决分散数据的使用问题。我们会介绍不同种类的面向隐私保护的机器学习解决方案以及技术背景，并描述一些典型的实际问题解决案例。我们还会进一步论述联邦学习将成为下一代机器学习的基础，可以满足技术和社会需求并促进面向安全的人工智能的开发和应用。
《联邦学习》可供计算机科学、人工智能和机器学习专业的学生，以及大数据和人工智能应用程序的开发人员阅读，也可供高等院校的教员、研究机构的研究人员、法律法规制定者和政府监管部门参考。
作者简介
杨强
杨强教授是微众银行的首席人工智能官（CAIO）和香港科技大学（HKUST）计算机科学与工程系讲席教授。他是香港科技大学计算机科学与工程系的前任系主任，并曾担任大数据研究院的创始主任（2015-2018 年）。他的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。他是多个国际协会的会士（Fellow），包括ACM、AAAI、IEEE、IAPR 和AAAS。他于1982 年获得北京大学天体物理学学士学位，分别于1987年和1989 年获得马里兰大学帕克分校计算机科学系硕士学位和博士学位。他曾在在滑铁卢大学（1989-1995 年）和西蒙弗雷泽大学（1995-2001 年）担任教授。他是ACM TIST 和IEEE TBD 的创始主编。他是国际人工智能联合会议（IJCAI）的理事长（2017-2019 年）和人工智能发展协会（AAAI）的执行委员会成员（2016-2020 年）。杨强教授曾获多个奖项，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）。他是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。他是Intelligent Planning （Springer）、Crafting Your Research Future (Morgan & Claypool)、Transfer Learning （Cambridge University
Press）与Constraint-based Design Recovery for Software Engineering （Springer）等
著作的作者。
刘洋
刘洋是微众银行AI 项目组的高级研究员。她的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。她于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。她拥有多项国际发明专利，研究成果曾发表于Nature、IJCAI 和ACM TIST 等科研刊物和会议上。她曾获AAAI 人工智能创新应用奖、IJCAI 创新应用奖等多个奖项，并担任IJCAI 高级程序委员会委员，NeurIPS 等多个人工智能会议研讨会联合主席，以及IEEE Intelligent Systems 期刊客座编委等。
程勇
程勇是微众银行AI 项目组的高级研究员。他曾任华为技术有限公司（深圳）高级工程师和德国贝尔实验室高级研究员，也曾在华为-香港科技大学创新实验室担任研究员。他的研究兴趣和
专长主要包括联邦学习、深度学习、计算机视觉和OCR、数学优化理论和算法、分布式和网络计算以及混合整数规划。他发表期刊和会议论文20 余篇。他于2006 年、2010 年、2013 年分别在浙江大学、香港科技大学、德国达姆施塔特工业大学获工学学士学位（一等荣誉）、硕士学位和博士学位。他于2014 年获达姆施塔特工业大学最佳博士论文奖，于2006 年获浙江大学
最佳学士论文奖。他在ICASSP’15 会议上做了关于“混合整数规划”的教程。他是IJCAI’19 和NIPS’19 等国际会议的程序委员会委员。
康焱
康焱是微众银行AI 项目组的高级研究员。他的工作重点是面向隐私保护的机器学习和联邦迁移学习技术的研究和实现。他在马里兰大学巴尔的摩分校获计算机硕士和博士学位。他的博士论文研究的是以机器学习和语义网络进行异构数据集成，并获得了博士论文奖学金。在就读研究生期间，他参与了与美国国家标准与技术研究院（NIST）和美国国家科学基金会（NSF）合作的多个项目，设计和开发语义网络集成系统。他在商业软件项目方面也有着丰富的经验。他曾在美国
Stardog Union 公司和美国塞纳公司工作了四年多的时间，从事系统设计和实现方面的工作。
陈天健
陈天健是微众银行AI 项目组的副总经理。他现在负责构建基于联邦学习技术的银行智能生态系统。在加入微众银行之前，他是百度金融的首席架构师，同时也是百度的首席架构师。他拥有超过12 年的大规模分布式系统设计经验，并在Web 搜索引擎、对等网络存储、基因组学、推荐系统、数字银行和机器学习等多个应用领域中实现了技术创新。他现居于中国深圳，与其他工作伙伴一起建设和推广联邦AI 生态系统和相关的开源项目FATE。
于涵
于涵现任职新加坡南洋理工大学（NTU）计算机科学与工程学院助理教授、微众银行特聘顾问。在2015—2018 年期间，他在南洋理工大学担任李光耀博士后研究员（LKY PDF）。在加入南洋理工大学之前，他曾在新加坡惠普公司担任嵌入式软件工程师。他于2014 年获南洋理工大学计算机科学博士学位。他的研究重点是在线凸优化、人工智能伦理、联邦学习及其在众包等复杂协作系统中的应用。他在国际学术会议和期刊上发表研究论文120 余篇，获得了多项科研奖项。
目录信息
前言ii
作者简介vi
第1 章引言/1
1.1 人工智能面临的挑战/2
1.2 联邦学习概述/4
1.2.1 联邦学习的定义/5
1.2.2 联邦学习的分类/8
1.3 联邦学习的发展/10
1.3.1 联邦学习的研究/11
1.3.2 开源平台/12
1.3.3 联邦学习标准化进展/13
1.3.4 联邦人工智能生态系统/14
第2 章隐私、安全及机器学习/15
2.1 面向隐私保护的机器学习/16
2.2 面向隐私保护的机器学习与安全机器学习/16
2.3 威胁与安全模型/17
2.3.1 隐私威胁模型/17
2.3.2 攻击者和安全模型/19
2.4 隐私保护技术/20
2.4.1 安全多方计算/20
2.4.2 同态加密/24
2.4.3 差分隐私/27
第3 章分布式机器学习/31
3.1 分布式机器学习介绍/32
3.1.1 分布式机器学习的定义/32
3.1.2 分布式机器学习平台/33
3.2 面向扩展性的DML /34
3.2.1 大规模机器学习/34
3.2.2 面向扩展性的DML 方法/35
3.3 面向隐私保护的DML /38
3.3.1 隐私保护决策树/38
3.3.2 隐私保护方法/40
3.3.3 面向隐私保护的DML 方案/40
3.4 面向隐私保护的梯度下降方法/42
3.4.1 朴素联邦学习/44
3.4.2 隐私保护方法/44
3.5 挑战与展望/46
第4 章横向联邦学习/47
4.1 横向联邦学习的定义/48
4.2 横向联邦学习架构/49
4.2.1 客户-服务器架构/49
4.2.2 对等网络架构/51
4.2.3 全局模型评估/53
4.3 联邦平均算法介绍/54
4.3.1 联邦优化/54
4.3.2 联邦平均算法/56
4.3.3 安全的联邦平均算法/59
4.4 联邦平均算法的改进/61
4.4.1 通信效率提升/61
4.4.2 参与方选择/62
4.5 相关工作/62
4.6 挑战与展望/64
第5 章纵向联邦学习/67
5.1 纵向联邦学习的定义/69
5.2 纵向联邦学习的架构/70
5.3 纵向联邦学习算法/71
5.3.1 安全联邦线性回归/72
5.3.2 安全联邦提升树/75
5.4 挑战与展望/79
第6 章联邦迁移学习/81
6.1 异构联邦学习/82
6.2 联邦迁移学习的分类与定义/82
6.3 联邦迁移学习框架/84
6.3.1 加法同态加密/87
6.3.2 联邦迁移学习的训练过程/87
6.3.3 联邦迁移学习的预测过程/88
6.3.4 安全性分析/88
6.3.5 基于秘密共享的联邦迁移学习/89
6.4 挑战与展望/90
第7 章联邦学习激励机制/93
7.1 贡献的收益/94
7.1.1 收益分享博弈/94
7.1.2 反向拍卖/96
7.2 注重公平的收益分享框架/97
7.2.1 建模贡献/98
7.2.2 建模代价/98
7.2.3 建模期望损失/98
7.2.4 建模时间期望损失/99
7.2.5 策略协调/99
7.2.6 计算收益评估比重/101
7.3 挑战与展望/103
第8 章联邦学习与计算机视觉、
自然语言处理及推荐系统/105
8.1 联邦学习与计算机视觉/106
8.1.1 联邦计算机视觉/106
8.1.2 业内研究进展/108
8.1.3 挑战与展望/109
8.2 联邦学习与自然语言处理/110
8.2.1 联邦自然语言处理/110
8.2.2 业界研究进展/111
8.2.3 挑战与展望/112
8.3 联邦学习与推荐系统/112
8.3.1 推荐模型/113
8.3.2 联邦推荐系统/114
8.3.3 业界研究进展/116
8.3.4 挑战与展望/116
第9 章联邦强化学习/117
9.1 强化学习介绍/118
9.1.1 策略/118
9.1.2 奖励/119
9.1.3 价值函数/119
9.1.4 环境模型/119
9.1.5 强化学习应用举例/119
9.2 强化学习算法/120
9.3 分布式强化学习/121
9.3.1 异步分布式强化学习/122
9.3.2 同步分布式强化学习/122
9.4 联邦强化学习/122
9.4.1 联邦强化学习背景/123
9.4.2 横向联邦强化学习/123
9.4.3 纵向联邦强化学习/125
9.5 挑战与展望/127
第10 章应用前景/129
10.1 金融/130
10.2 医疗/131
10.3 教育/132
10.4 城市计算和智慧城市/133
10.5 边缘计算和物联网/135
10.6 区块链/136
10.7 第五代移动网路/137
第11 章总结与展望/139
附录A 数据保护法律和法规/141
A.1 欧盟的数据保护法规/142
A.1.1 GDPR 中的术语/143
A.1.2 GDPR 重点条款/143
A.1.3 GDPR 的影响/146
A.2 美国的数据保护法规/147
A.3 中国的数据保护法规/148
参考文献/151
· · · · · · (收起)
读后感
评分
评分
评分
评分
用户评价
这本《联邦学习》简直就是一本宝藏！我最近对人工智能和隐私保护这两个领域都特别感兴趣，而这本书恰好完美地结合了它们。一开始拿到这本书，就被它厚重的纸张和精致的封面吸引了，感觉像是拿到了一本陈年的经典著作。翻开第一页，我就被作者严谨的逻辑和清晰的表达深深吸引。书中对联邦学习的起源、发展历程以及核心概念的介绍，就像一位经验丰富的向导，带我一步一步地走进这个迷人的世界。我尤其喜欢它在介绍基础理论时，没有直接扔给我一堆枯燥的公式，而是通过大量生动的案例和类比，将抽象的概念具象化。例如，在解释“数据孤岛”问题时，作者描绘了不同地区医疗机构之间在共享患者数据时面临的隐私障碍，以及联邦学习如何在这种情况下提供解决方案，让我立刻就理解了其存在的必要性和巨大潜力。
评分从这本书的字里行间，我感受到了作者对于推动数据隐私和人工智能发展的热忱。书中对联邦学习伦理和社会影响的讨论，让我意识到技术发展不仅仅是冰冷的算法，更需要关注其对社会的长远影响。作者强调了在推进联邦学习过程中，需要考虑的公平性、透明度和问责制等问题，这让我对这项技术有了更全面、更深入的认识。这本书不仅仅是教授技术，更是在引导我们思考如何负责任地利用数据，如何构建一个更加美好的智能未来。我被这种人文关怀深深打动，也更加坚定了学习和应用联邦学习的决心。
评分《联邦学习》这本书不仅仅是一本技术书籍，更是一本关于未来数据交互方式的思考录。书中对联邦学习未来发展趋势的展望，让我对这个领域充满了期待。作者预测，随着隐私保护意识的日益增强和技术的不断成熟，联邦学习将会在未来的数据科学和人工智能领域扮演越来越重要的角色。我特别喜欢书中关于“个性化联邦学习”和“可解释联邦学习”的讨论，这让我看到了联邦学习在满足个性化需求和提高模型透明度方面的巨大潜力。这本书让我看到了一个更加安全、公平、高效的数据利用新时代正在悄然到来。
评分《联邦学习》这本书给我带来的最直观感受就是它的“干货”十足。书中没有一句废话，也没有任何故弄玄虚的内容。每一页都充满了作者的思考和研究成果，让我受益匪浅。我尤其欣赏书中对联邦学习在实际部署中面临的挑战和解决策略的深入探讨。例如，书中详细介绍了如何处理参与方计算能力和数据量不均衡的问题，以及如何设计有效的激励机制来鼓励更多参与方加入联邦学习的体系。这些内容对于想要将联邦学习技术落地到实际业务中的读者来说，无疑是极其宝贵的参考。它让我看到，理论与实践之间并非遥不可及，而是可以通过严谨的分析和创新的方法来架起桥梁。
评分这本书的深度和广度让我惊叹不已。它不仅仅停留在概念层面，而是深入探讨了联邦学习在实际应用中遇到的各种挑战，比如模型聚合的效率问题、参与方之间的通信开销、以及如何保证模型的公平性和鲁棒性等等。作者在每一个章节都为我们呈现了不同的视角和解决方案，让我深刻体会到联邦学习并非一蹴而就，而是一个不断演进和优化的过程。我特别欣赏书中对不同联邦学习算法的详细阐述，例如横向联邦学习、纵向联邦学习，以及它们各自的适用场景。作者并没有简单地罗列算法名称，而是深入剖析了每种算法的内在机制、优缺点，并配以清晰的图示和伪代码，让我能够更直观地理解其工作原理。对于我这种有一定技术背景的读者来说，这种深入的剖析非常有价值，让我能够跳出“黑箱”思维，真正掌握联邦学习的核心技术。
评分这本书的写作风格非常独特，既有学术的严谨性，又不失文学的流畅性。作者善于运用比喻和类比，将抽象的技术概念变得生动有趣。我尤其喜欢书中对“多方安全计算”这一概念的阐释，作者将其比喻成一个“秘密会议”，参与者们在不暴露各自秘密的前提下，共同达成一个目标。这种形象的比喻，让我瞬间就理解了多方安全计算的核心思想，也为我后续理解联邦学习中的安全机制打下了坚实的基础。这本书让我感觉到，作者不仅是一位技术专家，更是一位优秀的教育家，能够将复杂的知识以最易于理解的方式呈现给读者。
评分这本书的结构设计堪称完美，让我有一种循序渐进的学习体验。作者首先从宏观层面介绍了联邦学习的定义、目标和重要性，然后逐步深入到具体的算法、技术细节和应用场景。这种由浅入深的讲解方式，让我在阅读过程中不会感到 overwhelming，而是能够轻松地吸收和理解新知识。我特别喜欢书中对联邦学习在不同行业中的应用案例的详细描述，比如金融、医疗、物联网等领域。这些案例的真实性和典型性，让我看到了联邦学习在现实世界中的巨大价值，也激发了我进一步探索其应用潜力的兴趣。我觉得这本书不仅适合技术开发者，也适合对人工智能和数据隐私感兴趣的普通读者。
评分《联邦学习》这本书的价值远不止于理论知识的传授，它更像是一场思想的盛宴。作者在书中引用了大量前沿的研究成果和学术论文，让我能够及时了解联邦学习领域的最新动态。同时，书中也提供了丰富的参考资料和学习资源，鼓励读者进行更深入的探索。我特别喜欢书中关于“联邦学习中的攻击与防御”的章节，它让我看到了这个领域所面临的挑战，也激发了我对如何设计更安全的联邦学习系统的兴趣。这本书让我明白，学习是一个永无止境的过程，而它为我提供了一个绝佳的起点。
评分我在这本《联邦学习》中看到了作者深厚的功底和对技术的深刻洞察。书中对各种主流联邦学习框架的分析，以及对它们在性能、安全性和可扩展性等方面的比较，都让我眼前一亮。作者并没有偏袒任何一种框架，而是客观地分析了它们的优劣，并为读者提供了选择的依据。我尤其欣赏书中关于“联邦学习平台的构建和部署”的详细指南，这对于想要在实际工作中应用联邦学习技术的读者来说，具有极高的参考价值。它让我明白，从理论到实践，还有很多细节需要考虑，而这本书为我提供了宝贵的路线图。
评分读完《联邦学习》这本书，我感觉自己像是经过了一次思维的洗礼。在阅读之前，我对隐私计算的概念只是一知半解，总觉得它神秘而遥不可及。但是，这本书用一种非常接地气的方式，将复杂的理论拆解开来，让我看到了联邦学习如何在保护用户隐私的前提下，实现数据的价值最大化。我印象最深刻的是书中关于“差分隐私”和“同态加密”等安全技术在联邦学习中的应用章节。作者用通俗易懂的语言，解释了这些技术是如何为联邦学习提供安全保障的，并且通过具体的例子，展示了它们在实际应用中的优势和局限性。我之前对这些概念总是望而却步，感觉它们离我的生活太远，但这本书却让我看到了它们与我息息相关的联系，让我对其有了更深刻的认识和更强的信心。
评分联邦学习的先行者，能出版国内第一本给大家点亮视野的书，本身就是很牛的是一件事。 极力推荐小伙伴们阅读。
评分联邦学习的先行者，能出版国内第一本给大家点亮视野的书，本身就是很牛的是一件事。 极力推荐小伙伴们阅读。
评分算是基础理念和系统培训的入门书籍，能有效地构建整体认识，用来开阔视野还是很不错的。
评分一般，感觉核心思想反复讲。几张图不错。算法讲的不够清晰，还有一些核心算法也不够深入。
评分就这点内容，写的时候还避而不谈，遮遮掩掩
相关图书
本站所有内容均为互联网搜索引擎提供的公开搜索信息，本站不存储任何数据与内容，任何内容与数据均与本站无关，如有需要请联系相关搜索引擎包括但不限于百度，google,bing,sogou 等
© 2026 book.quotespace.org All Rights Reserved. 小美书屋 版权所有