联邦学习实战
杨强等
935人在读
20.3万字总字数
¥83.3定价
杨强等
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。
本书写的很详细，面面俱到的介绍了联邦学习的方方面面 推荐git HUB项目https://github.com/FederatedAI/Practicing-Federated-Learning/blob/main/README.md，附有本书的代码示例
本书的内容整体比较丰富，相关理论比较前沿，由浅入深的对联邦学习进行了阐述。首先从数据资产的大背景下，引出了联邦学习的概念以及相关密码学的算法，接着第二部分提供了几个可操作的案例，第三部分上升到了实际的落地案例，第四和第五部分是在实际应用中需要考虑的安全、性能以及可解释性，并展开讲述了一些优化的手段，对于联邦学习进行了总结和展望。 相关代码地址：https://github.com/FederatedAI/Practicing-Federated-Learning/ 但是本书也存在一些不足，比如Fate的版本太老了，相关代码配置已过时，上手的实战内容太少，第四和第五部分理论的内容太多了。
配合github代码使用，效果更佳~
对FL进行了大体介绍，讲述了Fate框架，联邦学习站在技术前沿，全书还不错。