联邦学习原理与PySyft实战

内容简介

鉴于小数据和“数据孤岛”已经成为制约人工智能技术发展的关键挑战性问题。本书细致讲解人工智能领域的联邦学习原理，翔实阐述在平衡智能学习和信息安全的前提下，如何通过加密机制进行模型参数交换，安全地进行人工智能模型训练，所建立的虚拟共享智能模型与直接聚合所有数据获得的最优模型性能相近。除此之外，本书致力于全流程介绍联邦学习实践工具，帮助读者搭建完整的框架平台以及厘清它们之间的应用关系，推动人工智能技术转化应用落地，最后本书通过7个实践案例多维度展现了联邦学习实战。

读者对象

（1）人工智能与信息安全技术初学者

联邦学习所涉及技术体系庞大，知识点繁多；同时，可选用资源又非常丰富，初学者容易无从下手。希望通过本书学习，初学者可以厘清人工智能及其相关的隐私保护、大数据分析等知识的基本脉络，找到适合自己的技术学习和发展路线。

（2）程序开发者

技术的生命在于应用转化，尤其在计算机科学领域，没有落地应用，技术很难有长远持续的发展。因此，本书的实战案例讲解可以辅助具有一定人工智能开发基础的程序员、工程师获得思路上的启发和实际应用场景的共鸣，为其所写代码赋予“有场景”的生命力，促进其对实际问题场景创造性地程序化描述，进而推动新一代信息技术的发展。

（3）前沿科技爱好者

开源是人工智能发展的必经之路，希望本书可为深度学习、隐私保护等前沿科技爱好者提供共享技术、共享理念的交流平台，对开源社区建设和联邦学习知识的普及起到一定推动作用。

作者简介

    高志强，军队指挥学博士，科技部国家重点领域科技创新团队核心成员（2018年），主要研究领域为联邦学习、边缘智能及其应用安全。参与或主持省部级以上科研项目多项，发表相关领域学术论文20余篇，合作编著人工智能领域图书2部，申请国防专利4项、国家发明专利2项、软件著作权2项。

本书特色

    （1） 旨在破除“数据孤岛”，满足隐私安全约束下实现高效智能模型训练和性能提升

    （2） 基于PySyft框架，分享联邦学习在隐私计算、计算机视觉、深度强化学习领域的落地实践案例

    （3）帮助读者获得思路的启发和应用场景的共鸣，实现对实际问题创造性地程序化描述

图书目录

内文样张

附件下载：