下载掌阅APP，畅读海量书库
立即打开
数字化经济的时代已经到来，数据已成为信息流通、价值传递的基础性生产要素，而如何在跨机构、跨行业，甚至跨境交易和流通的场景中实现数据保护与隐私安全，一直是社会各界亟待解决的问题。值得庆幸的是，联邦学习作为一种融合性、密态下的分布式机器学习范式应运而生，并在近些年受到产业界、学术界以及投资领域的广泛关注。
联邦学习能够在不同用户间搭建起数据合作的“桥梁”，面对市场合规监管提供一种行之有效的解决方案，尤其在金融、医疗等对数据安全有极高要求的强监管行业中表现出色。于是，业界开始着眼于相关行业标准的制定和完善，致力于规范联邦学习技术、提升市场接受度。同时，我和广大同人也欣喜地看到，互联网“大厂”、金融科技公司以及众多初创公司纷纷进入隐私计算的赛道，共同布局和推动联邦学习生态，这让人们对在保障数据安全的前提下进行人工智能产业的商业化落地满怀希望。
当然，联邦学习的“底座”还是技术本身，越来越多的企业、高校正对联邦学习展开持续且深入的研究，努力突破现存的技术瓶颈，例如使用同态加密下的密文计算开销过大、数据非独立同分布的异质性、联邦模型的效果差异等。而本书的面世恰逢其时，不同于其他以科普或实战为主要特色的联邦学习类著作，本书从理论层面对联邦学习技术的各个组成部分进行了系统的总结，并基于不同的应用场景给出了丰富的案例。
本书首先以联邦学习的诞生引入，从概念、类别，到发展历程、应用场景，带领读者遍历联邦学习的基础知识，然后对联邦学习涉及的各类算法、安全技术、服务质量评估等进行详尽的介绍和分析。这一点十分关键，对有意“下沉”到理论层面刨根问底的读者大有裨益，值得向广大联邦学习研究者、同行力荐。
本书由扎根在联邦学习技术研究与商业化落地一线的王健宗博士及其团队编著，它的出现将推动业界对于联邦学习原理与算法的研究，相信本书的出版会为联邦学习理论的发展以及相关技术落地起到正向的推动作用。
罗训
天津理工大学教授
天津市“一带一路”国际联合实验室主任
中国计算机学会理事、杰出会员