聯邦學習實戰
楊強等
935人在讀
20.3萬字總字數
¥83.3定價
楊強等
數據孤島和隱私保護已經成爲制約人工智能發展的關鍵因素。聯邦學習作爲一種新型的隱私保護計算方案，在數據不出本地的前提下，能有效聯合各參與方聯合建模，從而實現“共同富裕”，成爲當下人工智能領域備受關注的熱點。本書以實戰爲主（包括對應用案例的深入講解和代碼分析），兼顧對理論知識的系統總結。全書由五部分共19章構成。第一部分簡要介紹了聯邦學習的理論知識；第二部分介紹如何使用Python 和FATE 進行簡單的聯邦學習建模；第三部分是聯邦學習的案例分析，篩選了經典案例進行講解，部分案例用Python代碼實現，部分案例採用FATE 實現；第四部分主要介紹和聯邦學習相關的高級知識點，包括聯邦學習的架構和訓練的加速方法等；第五部分是回顧與展望。 本書適合對聯邦學習和隱私保護感興趣的高校研究者、企業研發人員閱讀。
本書寫的很詳細，面面俱到的介紹了聯邦學習的方方面面 推薦git HUB項目https://github.com/FederatedAI/Practicing-Federated-Learning/blob/main/README.md，附有本書的代碼示例
本書的內容整體比較豐富，相關理論比較前沿，由淺入深的對聯邦學習進行了闡述。首先從數據資產的大背景下，引出了聯邦學習的概念以及相關密碼學的算法，接着第二部分提供了幾個可操作的案例，第三部分上升到了實際的落地案例，第四和第五部分是在實際應用中需要考慮的安全、性能以及可解釋性，並展開講述了一些優化的手段，對於聯邦學習進行了總結和展望。 相關代碼地址：https://github.com/FederatedAI/Practicing-Federated-Learning/ 但是本書也存在一些不足，比如Fate的版本太老了，相關代碼配置已過時，上手的實戰內容太少，第四和第五部分理論的內容太多了。
配合github代碼使用，效果更佳~
對FL進行了大體介紹，講述了Fate框架，聯邦學習站在技術前沿，全書還不錯。