电子书丨《联邦学习》
博文视点Broadview
共 640字,需浏览 2分钟
· 2021-05-14
杨强,刘洋,程勇,康焱,陈天健,于涵 著
电子书售价:44.5元
2020年4月出版
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。
本书可供计算机科学、人工智能和机器学习专业的学生,以及大数据和人工智能应用程序的开发人员阅读,也可供高等院校的教员、研究机构的研究人员、法律法规制定者和政府监管部门参考。
▼ 点击阅读原文,立刻下单!
评论
联邦学习|联邦学习原理与实践
字节跳动的解浚源给大家分享《联邦学习原理与实践》,共分为 6 个部分:联邦学习简介、应用场景、基础算法、隐私保护、Fedlearner 联邦学习系统以及我们的下一步工作。内容来源:AI前线公众号我是做金融科技领域的数...
数据科学与人工智能
0
FederatedScope联邦学习平台
FederatedScope是一个综合性的联邦学习平台,为学术界和工业界的各种联邦学习任务提供便捷的使用和灵活的定制。FederatedScope基于事件驱动的架构,集成了丰富的功能集合以满足联邦学习
FederatedScope联邦学习平台
0