人工智慧再進化：聯邦學習讓資料更安全穩固

「聯邦學習」可以解決企業之間的資料孤島問題，讓企業能透過使用更多資料來提高AI模型的效果，提供給使用者更方便的個性化服務。在過程中，資料是安全的，使用者的隱私資訊不會被輸出和洩露。因此這項技術不會損害合作企業的利益，還能帶來額外的收益。對使用者而言，能享受個性化服務品質的提升，也不用擔心具體隱私資訊的傳播。

從技術層面來看，聯邦學習是密碼學、分散式運算、機器學習三個學科交換的技術，涉及面較廣且部署實施難度大，很多具體問題需要跨領域的綜合知識才能解決。在人才市場中，此類的綜合型人才十分缺乏，許多專案都面臨無人可用的困境。另一方面，越來越多人關注到聯邦學習新興技術，希望能有系統地掌握聯邦學習原理，並在產業應用中解決實際問題。

本書詳細說明聯邦學習的相關概念，同時列出許多案例，適合對聯邦學習感興趣的讀者閱讀。書中會在必要之處列出數學公式，閱讀時需具備統計學的基礎知識。

全書重點涵蓋：
●第1～3章：聯邦學習的基礎，可以了解聯邦學習的市場背景、技術現狀、基礎的隱私保護技術、機器學習技術和分散式運算技術。建議聯邦學習的初學者、求職者重點閱讀這部分，藉以熟悉聯邦學習的基本問題、基本技術。
●第4章：介紹聯邦交集計算的相關理論和具體方法，用於提供聯邦資料之間的對應關係。
●第5章：介紹聯邦特徵工程，列出大致流程、聯邦學習對這些流程的處理想法，引出聯邦學習特徵工程中常用的加密方法、資料互動策略及評估監控方法。
●第6～8章：分別介紹垂直聯邦學習、水平聯邦學習和聯邦遷移學習，並說明這三種方案的架構、方法和案例。垂直聯邦學習用於解決相同使用者在不同企業場景中，產生資料的聯合建模問題。
●第9～12章：聯邦學習的產業應用和展望，可以了解聯邦學習技術的商業應用現狀、挑戰、趨勢、與資料資產和要素市場的連結，據此引發讀者進一步思考。此部分較為巨觀，涉及面廣，適合聯邦學習相關的專案管理者重點閱讀。

本書適合：
●對聯邦學習感興趣的學術＆研究人員。
●聯邦學習的初學者＆求職者＆專案管理者。
●機器學習、資料探勘、產業智慧化領域的從業者＆求職者。

作者簡介：

彭南博
京東科技集團風險管理中心總監，在人工智慧演算法、風控模型等領域具有豐富的實踐經驗。他負責風險智能模型技術佈局和徹底落實業務，建立了數據、演算法、工程三位一體的大數據應用體系。在聯邦學習應用實踐中，他領導團隊研發聯邦學習技術和產品，為風險業務建立了基於聯邦學習的模型工程架構、模型管理體系、模型監控體系。他於2012年在中國科學院大學獲得博士學位，先後參與三項國家基金項目，發表期刊和會議論文10餘篇，申請專利70餘項。

王虎
京東科技集團風險管理中心演算法科學家，在機器學習和資料探勘領域具有豐富的產業應用經驗。他負責風險場景的模型研發，針對風險數據孤島問題，視察並論證聯邦學習技術的可行性，完成了從0到1的聯邦風控應用創新，負責聯邦組網過程中的演算法研發和模型優化。他於2012年在中國科學院大學獲得博士學位，其後負責並完成了藥物副作用探勘、電力銷量預測、駕駛員狀態分析、基於穿戴式醫療設備的健康評估等機器學習項目。