联邦学习

书籍简介:

如何在保证本地训练数据不公开的前提下，实现多个数据拥有方协同地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），然后再进行机器学习模型训练。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来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）是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此类数据使用问题的。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安全的人工智能的开发和应用。

书籍规格:

书籍信息归属:

联邦学习是电子工业出版社于2020.4出版的中图分类号为 TP181 的主题关于 机器学习 的书籍。