杨强教授领衔撰写，国内首本联邦学习实战的权威著作

Posted 2021-05-14 博文视点

 

 

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）》。

 

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

 

《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

 

▊《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）

 

 

▊《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