联邦学习实战

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。

这是一本系统介绍联邦学习技术及其应用的书籍。该书以实战为主，兼顾对理论知识的系统总结，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，包括其定义、分类、应用场景以及安全机制等。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。 在联邦学习概述部分，本书详细介绍了联邦学习的基本概念、分类、应用场景以及安全机制等。其中，联邦学习主要分为横向联邦学习和纵向联邦学习两大类。这两种类型的联邦学习都可以应用于金融保险领域，例如，通过横向联邦学习，可以整合不同银行的数据，共同训练一个信用风险评估模型；通过纵向联邦学习，可以整合不同保险公司的数据，共同训练一个保险定价模型。 在联邦学习的安全机制部分，本书详细介绍了基于同态加密的方法、基于差分隐私的方法和基于安全多方计算的方法。这些方法在计算性能、通信性能和安全性方面各有优劣。例如，同态加密的安全性最高，但计