安徽科技学院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,2020.4

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:

题名页题其余著者: 刘洋, 程勇, 康焱, 陈天健, 于涵

出版发行附注:

经由锐拓传媒取得

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。

使用对象附注:

计算机科学、人工智能和及其学习专业的学生，以及大数据和人工智能应用程序的开发人员阅读等。

豆瓣简介：