数据孤岛和隐私保护已经成为制约人工智能发展的关键因素。联邦学习作为一种新型的隐私 保护计算方案,在数据不出本地的前提下,能有效联合各参与方联合建模,从而实现“共同富裕”, 成为当下人工智能领域备受关注的热点。 本书以实战为主(包括对应用案例的深入讲解和代码分析),兼顾对理论知识的系统总结。 全书由五部分共19 章构成。第一部分简要介绍了联邦学习的理论知识;第二部分介绍如何使用 Python 和FATE 进行简单的联邦学习建模;第三部分是联邦学习的案例分析,筛选了经典案例进 行讲解,部分案例用Python 代码实现,部分案例采用FATE 实现;第四部分主要介绍和联邦学习 相关的高级知识点,包括联邦学习的架构和训练的加速方法等;第五部分是回顾与展望。 本书适合对联邦学习和隐私保护感兴趣的高校研究者、企业研发人员阅读。