内容简介
如何在保证本地训练数据不公开的前提下，实现多个数据拥有者协同训练一个共享的机器学习模型？传统的机器学习方法需要将所有的数据集中到一个地方（例如，数据中心），然后进行机器学习模型的训练。但这种基于集中数据的做法无疑会严重侵害用户隐私和数据安全。如今，世界上越来越多的人开始强烈要求科技公司必须根据用户隐私法律法规妥善地处理用户的数据，欧盟的《通用数据保护条例》是一个很好的例子。在本书中，我们将描述联邦学习（亦称联邦机器学习）如何将分布式机器学习、密码学、基于金融规则的激励机制和博弈论结合起来，以解决分散数据的使用问题。我们会介绍不同种类的面向隐私保护的机器学习解决方案以及技术背景，并描述一些典型的实际问题解决案例。我们还会进一步论述联邦学习将成为下一代机器学习的基础，可以满足技术和社会需求并促进面向安全的人工智能的开发和应用。
AI简介
这是一本深入探讨分布式机器学习、密码学、基于金融规则的激励机制和博弈论的综合性书籍。这本书以联邦学习为核心，详细介绍了如何实现在保护用户隐私和数据安全的前提下，多个数据拥有者协同训练一个共享的机器学习模型。书中首先介绍了人工智能面临的挑战，包括数据量不足与数据整合问题、用户隐私和数据安全问题等，并阐述了联邦学习如何通过保护用户隐私和数据安全的方式，实现多个参与方协同训练一个机器学习模型，从而提升系统的效率。
书中详细介绍了联邦学习的不同种类，包括横向联邦学习、纵向联邦学习和联邦迁移学习，以及它们的应用场景。这些技术可以在保护用户隐私和数据安全的同时，利用分布在多方的数据进行模型训练，从而解决传统迁移学习在数据来源和隐私保护方面的限制。此外，书中还详细介绍了联邦强化学习的应用示例，展示了这种技术如何通过保护用户隐私和数据安全的方式，实现多个参与方协同训练一个机器学习模型，从而提升系统的效率。
书中还详细介绍了信息安全的主要思想，包括安全多方计算原理、不经意传输协议和秘密共享等，并阐述了这些技术在面向隐私保护的机器学习系统中的应用。这些技术可以在保护用户隐私和数据安全的同时，进行有效的
推荐影视
阅读/下载地址