"《聯(lián)邦學習》為研究人員和從業(yè)者深入探討了聯(lián)邦學習最重要的問題和方法。
聯(lián)邦學習(Federated Learning，F(xiàn)L)是一種機器學習方法，其中訓練數(shù)據(jù)不是集中管理的。數(shù)據(jù)由參與聯(lián)邦學習過程的各方保留，不與任何其他實體共享。這使得聯(lián)邦學習成為一種日益流行的機器學習解決方案，適用于因隱私、監(jiān)管或實際原因而難以將數(shù)據(jù)集中到一個存儲庫中的任務。
本書闡述了聯(lián)邦學習的**研究進展和**進的發(fā)展成果，包括從最初構想到首次應用和商業(yè)化使用。為了全面、深入地了解這個領域，研究人員從不同的角度探討了聯(lián)邦學習:機器
學習、隱私和安全、分布式系統(tǒng)以及具體應用領域。讀者將從這些角度了解聯(lián)邦學習所面臨的挑戰(zhàn)、它們之間的相互關系，以及解決這些挑戰(zhàn)的前沿方法。
本書第1章介紹了聯(lián)邦學習的基礎知識，之后的24章深入探討了各種不同的主題。第l部分涉及以聯(lián)邦方式解決各種機器學習任務的算法問題，以及如何進行高效、規(guī)模化和公平的訓
練。第I部分主要介紹聯(lián)邦學習過程運行的系統(tǒng)的實際問題。第川部分著重介紹如何選擇隱私和安全解決方案，以適應特定的應用場景。第IV部分講解了聯(lián)邦學習的其他重要應用案例，如拆分學習和縱向聯(lián)邦學習。最后，第V部分介紹實際企業(yè)環(huán)境中聯(lián)邦學習的應用和案例。"