联邦学习 在线电子书 图书标签: 联邦学习 杨强 专业 人工智能 MachineLearning 软件开发 计算机科学 机器学习
发表于2024-12-27
联邦学习 在线电子书 pdf 下载 txt下载 epub 下载 mobi 下载 2024
出版的第一时间就到手了,对联邦学习这门新技术的介绍非常系统,三大板块的具体技术和案例也做了进一步探讨,感觉比较适合从业者对此技术有个整体认识。
评分就这点内容,写的时候还避而不谈,遮遮掩掩
评分一般,感觉核心思想反复讲。几张图不错。算法讲的不够清晰,还有一些核心算法也不够深入。
评分一般,感觉核心思想反复讲。几张图不错。算法讲的不够清晰,还有一些核心算法也不够深入。
评分为了最近技术分享准备而买的一本书,虽然微众的联邦学习在业界的口碑一般,开源的FATE也是褒贬不一,juejue就说不要被他们误导了,哈哈……但通过这本书去溯源了安全计算,差分隐私,同态加密,混淆电路等一大波密码学知识,还是有不少收获的。联邦学习,粗略地来看,就是分布式机器学习加上安全计算,并不是一个全新的领域,恰逢现在gdpr这些法律出来,数据隐私成了大家必须重视的问题,风口来了,看能不能飞起来吧
杨强
杨强教授是微众银行的首席人工智能官(CAIO)和香港科技大学(HKUST)计算机科学与工程系讲席教授。他是香港科技大学计算机科学与工程系的前任系主任,并曾担任大数据研究院的创始主任(2015-2018 年)。他的研究兴趣包括人工智能、机器学习和数据挖掘,特别是迁移学习、自动规划、联邦学习和基于案例的推理。他是多个国际协会的会士(Fellow),包括ACM、AAAI、IEEE、IAPR 和AAAS。他于1982 年获得北京大学天体物理学学士学位,分别于1987年和1989 年获得马里兰大学帕克分校计算机科学系硕士学位和博士学位。他曾在在滑铁卢大学(1989-1995 年)和西蒙弗雷泽大学(1995-2001 年)担任教授。他是ACM TIST 和IEEE TBD 的创始主编。他是国际人工智能联合会议(IJCAI)的理事长(2017-2019 年)和人工智能发展协会(AAAI)的执行委员会成员(2016-2020 年)。杨强教授曾获多个奖项,包括2004/2005 ACM KDDCUP 冠军、ACM SIGKDD 卓越服务奖(2017)、AAAI 创新人工智能应用奖(2018, 2020)和吴文俊人工智能杰出贡献奖(2019)。他是华为诺亚方舟实验室的创始主任(2012-2014 年)和第四范式(AI 平台公司)的共同创始人。他是Intelligent Planning (Springer)、Crafting Your Research Future (Morgan & Claypool)、Transfer Learning (Cambridge University
Press)与Constraint-based Design Recovery for Software Engineering (Springer)等
著作的作者。
刘洋
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。她于2012 年获得普林斯顿大学博士
学位,2007 年获得清华大学学士学位。她拥有多项国际发明专利,研究成果曾发表于Nature、IJCAI 和ACM TIST 等科研刊物和会议上。她曾获AAAI 人工智能创新应用奖、IJCAI 创新应用奖等多个奖项,并担任IJCAI 高级程序委员会委员,NeurIPS 等多个人工智能会议研讨会联合主席,以及IEEE Intelligent Systems 期刊客座编委等。
程勇
程勇是微众银行AI 项目组的高级研究员。他曾任华为技术有限公司(深圳)高级工程师和德国贝尔实验室高级研究员,也曾在华为-香港科技大学创新实验室担任研究员。他的研究兴趣和
专长主要包括联邦学习、深度学习、计算机视觉和OCR、数学优化理论和算法、分布式和网络计算以及混合整数规划。他发表期刊和会议论文20 余篇。他于2006 年、2010 年、2013 年分别在浙江大学、香港科技大学、德国达姆施塔特工业大学获工学学士学位(一等荣誉)、硕士学位和博士学位。他于2014 年获达姆施塔特工业大学最佳博士论文奖,于2006 年获浙江大学
最佳学士论文奖。他在ICASSP’15 会议上做了关于“混合整数规划”的教程。他是IJCAI’19 和NIPS’19 等国际会议的程序委员会委员。
康焱
康焱是微众银行AI 项目组的高级研究员。他的工作重点是面向隐私保护的机器学习和联邦迁移学习技术的研究和实现。他在马里兰大学巴尔的摩分校获计算机硕士和博士学位。他的博士论文研究的是以机器学习和语义网络进行异构数据集成,并获得了博士论文奖学金。在就读研究生期间,他参与了与美国国家标准与技术研究院(NIST)和美国国家科学基金会(NSF)合作的多个项目,设计和开发语义网络集成系统。他在商业软件项目方面也有着丰富的经验。他曾在美国
Stardog Union 公司和美国塞纳公司工作了四年多的时间,从事系统设计和实现方面的工作。
陈天健
陈天健是微众银行AI 项目组的副总经理。他现在负责构建基于联邦学习技术的银行智能生态系统。在加入微众银行之前,他是百度金融的首席架构师,同时也是百度的首席架构师。他拥有超过12 年的大规模分布式系统设计经验,并在Web 搜索引擎、对等网络存储、基因组学、推荐系统、数字银行和机器学习等多个应用领域中实现了技术创新。他现居于中国深圳,与其他工作伙伴一起建设和推广联邦AI 生态系统和相关的开源项目FATE。
于涵
于涵现任职新加坡南洋理工大学(NTU)计算机科学与工程学院助理教授、微众银行特聘顾问。在2015—2018 年期间,他在南洋理工大学担任李光耀博士后研究员(LKY PDF)。在加入南洋理工大学之前,他曾在新加坡惠普公司担任嵌入式软件工程师。他于2014 年获南洋理工大学计算机科学博士学位。他的研究重点是在线凸优化、人工智能伦理、联邦学习及其在众包等复杂协作系统中的应用。他在国际学术会议和期刊上发表研究论文120 余篇,获得了多项科研奖项。
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。
《联邦学习》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。
评分
评分
评分
评分
联邦学习 在线电子书 pdf 下载 txt下载 epub 下载 mobi 下载 2024