聯邦學習：原理與算法

數據孤島問題已經成為制約人工智能發展的主要阻礙。在此背景下， 聯邦學習(Federated Learning) 作為一種新興的機器學習技術範式， 憑藉其突出的隱私保護能力，展示出在諸多業務場景中的應用價值。

本書從聯邦學習的基礎知識出發， 深入淺出地介紹了中央伺服器優化和聯邦機器學習的演算法體系， 詳細闡述了聯邦學習中涉及的加密通信模組的相關知識， 以定性和定量的雙視角建立了聯邦學習服務品質的評估維度、理論體系， 還延伸介紹了提升聯邦學習服務品質的方法， 並對聯邦學習的研究趨勢進行了深入探討與分析， 可以對設計和選擇演算法提供工具式的參考和幫助。

本書是高校、科研院所和業界相關學者研究聯邦學習技術的理想讀本， 也適合大數據、人工智慧行業的從業者和感興趣的讀者參考。

王健宗

博士，美國佛羅里達大學人工智慧博士後，工程師，某大型金融集團科技公司聯邦學習團隊負責人，中國計算機學會傑出會員、大資料和量子計算專業委員會委員，長期從事聯邦學習、隱私計算技術研發和平臺搭建工作，在聯邦學習、人工智能、雲計算、大數據等領域發表國際論文 50 餘篇，出版《深入理解 AutoML 和 AutoDL)、《金融智慧》等共四部作品。