- 数据孤岛制约AI发展：讲解联邦学习如何在数据不出本地的前提下联合建模，打破数据壁垒。
- 隐私保护与合规难题：介绍联邦学习作为隐私保护计算方案，帮助满足数据合规要求。
- 缺乏实战经验：通过Python和FATE平台的使用，手把手指导联邦学习建模。
- 案例分析不足：筛选经典案例深入讲解，部分配以代码实现，加速落地应用。
- 高级知识欠缺：介绍联邦学习架构、训练加速方法等高级知识点，提升系统设计能力。
- AI行业从业人员：需要掌握联邦学习技术，解决实际业务中的数据孤岛问题。
- 高校研究者：对联邦学习和隐私保护感兴趣，希望深入研究并发表成果。
- 企业研发人员：需要构建隐私保护机器学习系统，提升数据合规能力。
- 数据科学家：希望拓展联邦学习技能，应用于金融、医疗等敏感数据领域。
- 先理论后实战：第一部分快速了解联邦学习理论，然后重点学习第二、三部分的建模与案例。
- 动手实践：安装FATE平台，运行书中Python代码，亲身体验联邦学习建模流程。
- 重点章节：第3-7章是核心实战内容，需仔细研读并复现代码。
- 结合视频：利用配套视频资源，加深对复杂概念和操作的理解。
- 掌握联邦学习原理：系统理解联邦学习的定义、分类、架构和隐私保护机制。
- 熟练使用FATE：能使用FATE平台进行联邦学习建模和任务调度。
- 具备实战能力：通过案例学习，能独立设计并实现联邦学习应用。
- 了解高级技术：掌握联邦学习训练加速、安全加密等高级知识点。
- 拓展应用视野：了解联邦学习在金融、医疗等领域的落地场景和未来趋势。
📖 书籍简介
产品特色
编辑推荐
《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，读者可以快速开始联邦学习的建模，动手实践！
《联邦学习实战》特色：
w 深度剖析前沿应用案例
w 丰富的配套视频资源、线上资源
w 部分案例配以Python代码讲解
内容简介
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点。
本书以实战为主（包括对应用案例的深入讲解和代码分析），兼顾对理论知识的系统总结。
全书由五部分共19 章构成。第一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 进行简单的联邦学习建模；第三部分是联邦学习的案例分析，筛选了经典案例进
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
相关的高级知识点，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。
作者简介
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。
当选多个国际协会会士（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）和国际人工智能促进学会（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。
著有多本书籍：《智能规划》 Intelligent Planning （Springer）、《学术研究，你的成功之路》 （清华大学出版社） Crafting Your Research Future （Morgan & Claypool）、《迁移学习》 （机械工业出版社华章公司）Transfer Learning （Cambridge University Press）、《联邦学习》（电子工业出版社）Federated Learning （Morgan Claypool），Constraint-based Design Recovery for Software Engineering（Springer）。
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《深入浅出深度学习》（电子工业出版社，2017年）一书。 在加入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、全球较大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开源项目FATE。 在加入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）。
精彩书评
国务院在2020年将数据作为新型生产要素写入法律文件，与土地、劳动力、资本、技术并列为五个生产要素。这意味着，一方面，个人数据隐私将受到法律的严格保护，另一方面，数据与其他生产要素一样，可以进行开放、共享和交易。如何有效解决数据隐私与数据共享之间的矛盾成为当前人工智能领域的研究热点问题。
联邦学习作为一种新型的分布式机器学习训练和应用范式，从提出以来就备受关注，也被认为是当前产业界解决数据隐私与数据共享之间矛盾的一种有效方案。作为可信计算的新成员，书中特别提到，联邦学习还可以与区块链强强联合，例如借助区块链记录的不可篡改特性，帮助对联邦学习可能面临的恶意攻击进行追溯；借助区块链的共识机制和智能合约，对联邦学习创造的价值进行利益分配等。
《联邦学习实战》一书，对联邦学习的理论和应用案例做了系统性的阐述和分析，相信能够为广大科研工作者、企业开发人员提供有效的指导和参考。
——陈纯 中国工程院院士
人工智能时代的到来已经不可逆转，在算力、算法和机器学习蓬勃发展的大背景下，数据资产成为非常重要的技术资源，服务企业的长远发展。如何利用好、保护好数据资产是人工智能能否创造更大经济和社会价值的关键因子。联邦学习理念的提出和发展，在这个方面探索出了一条可行之路并做出了重要的示范。
杨强教授是世界人工智能研究专家，在这一领域的学术和产业两端都有非常深的造诣。希望这本《联邦学习实战》可以为业内人士和机器学习的从业者与爱好者带来启发与思考。
——沈南鹏 红杉资本全球执行合伙人
数据资产化是实现人工智能产业价值的核心环节，而联邦学习是其中的关键技术。书中严谨而深入浅出的阐述为读者们提供了非常有效的工具。
——陆奇 奇绩创坛创始人
为了互联网更好的未来，我们需要建立负责任的数据经济体系：既能充分实现数据价值，又能很好地保护用户的数据隐私，还能公平地分配数据创造的价值。
联邦学习正是支撑这一愿景的重要技术。本书阐述了该领域的实际应用案例，对联邦学习的付诸实施有重要的指导意义。
——Dawn Song 美国加州大学伯克利分校教授
📑 章节目录
- 联邦学习概述与理论基础
- 联邦学习分类与框架
- Python联邦学习建模入门
- FATE平台使用指南
- 联邦学习案例分析：横向联邦
- 联邦学习案例分析：纵向联邦
- 联邦学习案例分析：迁移学习
- 联邦学习架构设计
- 联邦学习训练加速方法
- 联邦学习安全与隐私保护
- 联邦学习应用展望
- 回顾与未来方向
