杭州电子科技大学图书馆书目检索系统

Online Public Access Catalogue

题名/责任者:

联邦学习/杨强 ... [等] 著

出版发行项:

北京:电子工业出版社,2020

ISBN及定价:

978-7-121-38522-3/CNY89.00

载体形态项:

xvi, 192页:彩图;24cm

并列正题名:

Federated learning

个人责任者:

杨强 著

个人责任者:

刘洋 著

个人责任者:

程勇 著

学科主题:

机器学习

中图法分类号:

TP181

题名责任附注:

题名页题: 杨强, 刘洋, 程勇, 康焱, 陈天健, 于涵著

责任者附注:

杨强, 教授, 是微众银行的首席人工智能官和香港科技大学计算机科学与工程系讲席教授。刘洋, 是微众银行AI项目组的高级研究员。她的研究兴趣包括机器学习、联邦学习、迁移学习、多智能体系统、统计力学, 以及这些技术的产业应用。程勇, 是微众银行AI项目组的高级研究员。他的研究兴趣和专长主要包括联邦学习、深度学习、数学优化理论和算法、分布式和网络计算。

书目附注:

有书目 (第161-192页)

提要文摘附注:

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。

豆瓣简介：