杨强教授领衔撰写,国内首本联邦学习实战的权威著作
![杨强教授领衔撰写,国内首本联邦学习实战的权威著作](https://static001.geekbang.org/infoq/7f/7fce5657c7115ca3fa4e98bd925abc3e.png)
![](https://static001.geekbang.org/infoq/a5/a50a8eb9af1572ea9f51f01fbf3b94ed.png)
联邦学习——一种新型的、基于数据隐私保护技术实现的分布式训练范式。
自提出以来,就受到了学术界和工业界的广泛关注。
近年来,联邦学习飞速发展,成为解决数据孤岛和用户隐私问题的首选方案。
如何应用联邦学习进行实战,也成了大家普遍关心的问题。
为了帮助大家更好地将联邦学习应用在实际项目中,杨强教授再次带领团队撰写了国内首本联邦学习实战的权威著作——《联邦学习实战(全彩)》。
![](https://static001.geekbang.org/infoq/2b/2b0433709417a498ba9e1cc0116df013.webp?x-oss-process=image/resize,p_80/format,jpg)
本书结合联邦学习案例,有助于读者更深入地理解联邦学习这一新兴的学科。
全书分为五大部分,共 19 章。
其中既有理论知识的系统性总结,又有详细的案例分析,包括经典的案例和实战代码,适合工程开发人员和学生群体使用。
01
组织结构严谨
▊ Part 1
简要回顾联邦学习的理论知识点,包括联邦学习的分类、定义,联邦学习常见的安全机制,等等。
▊ Part 2
介绍如何使用 Python 和 FATE 进行简单的联邦学习建模,指导读者从零开始构建一个简单的联邦学习模型。
此外,本部分还总结了当前常见的联邦学习平台。
▊ Part 3
联邦学习的案例分析,涉及视觉、个性化推荐、金融保险、攻防、医疗等领域的经典案例,并探讨联邦学习在这些领域中的应用和落地实践。
▊ Part 4
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;联邦学习与区块链、split learning、边缘计算的异同等内容,适合想进一步提升的读者。
▊ Part 5
对本书的总结及对联邦学习技术的未来展望。
02
适用对象广泛
▊ 开发人员
不仅包含当前经典的联邦学习落地案例,部分案例还提供了代码,阐述了 FATE 平台的使用,有助于开发人员快速上手。
▊ 高校学生
提供联邦学习理论的系统性总结,有助于读者快速掌握联邦学习的基本概念,并可在此基础上进一步阅读实战案例,将理论与实战相结合,加深对联邦学习的理解。
▊ 联邦学习产品人员
深入阐述联邦学习的落地案例和相关应用,有助于快速了解当下的联邦学习产品形态。
03
内容特色鲜明
深度剖析前沿应用案例,侧重于工程实践。
丰富的配套视频资源、线上资源。
部分案例配以 Python 代码讲解。
04
作者实力可鉴
▊ 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。
▊ 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。
▊ 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。
▊ 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。
05
业内大咖盛赞
![](https://static001.geekbang.org/infoq/c5/c56016eb963a627b15019595c7b6f30d.webp?x-oss-process=image/resize,p_80/format,jpg)
《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
杨强教授是世界级人工智能研究专家,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
06
阅读小贴士
结合《联邦学习》一起阅读,效果更好!
▊ Step 1
阅读本书的理论总结部分,对联邦学习建立快速的认识。
▊ Step 2
对于想进一步掌握某个具体算法理论的读者,可以同时阅读《联邦学习》一书,加深理解。
▊ Step 3
挑选本书的案例深入思考并落于实践,或者结合代码练习,将对联邦学习的认知提升到新的高度。
配套代码和相关资源可在 GitHub 中获取:
https://github.com/FederatedAI/Practicing-Federated-Learning
杨强教授著作
![](https://static001.geekbang.org/infoq/52/52b05644c799b7ef59429a8ae5458b9a.png)
▊《联邦学习实战》
杨强 黄安埠 刘洋 陈天健 著
经典案例一手实践
配套 Python 代码和丰富线上教学资源(含视频)
![](https://static001.geekbang.org/infoq/c6/c60d2382cbe33f57db6411426788fded.webp?x-oss-process=image/resize,p_80/format,jpg)
▊《联邦学习》
杨强 刘洋 程勇 康焱 陈天健 于涵 著
凝聚了杨强教授带领的微众银行 AI 团队在联邦学习领域的多年学术成果和工程经验
剖析了联邦学习与数据安全、隐私保护的前沿学术成果
涵盖隐私保护技术,联邦学习定义、分类、算法和系统,联邦学习激励机制等
论述联邦学习在计算机视觉、自然语言处理和推荐系统等领域的应用
探讨如何解决用户隐私、数据安全及联邦学习应用落地问题
评论