如何在保證本地訓練資料不公開的前提下，實現多個資料擁有者協同訓練一個共用的機器學習模型？傳統的機器學習方法需要將所有的資料集中到一個地方（例如，資料中心），然後進行機器學習模型的訓練。但這種基於集中資料的做法無疑會嚴重侵害使用者隱私和資料安全。如今，世界上越來越多的人開始強烈要求科技公司必須根據使用者隱私法律法規妥善地處理使用者的資料，歐盟的《通用資料保護條例》是一個很好的例子。
在《聯邦學習》中，我們將描述聯邦學習（亦稱聯邦機器學習）如何將分散式機器學習、密碼學、基於金融規則的激勵機制和博弈論結合起來，以解決分散資料的使用問題。我們會介紹不同種類的面向隱私保護的機器學習解決方案以及技術背景，並描述一些典型的實際問題解決案例。我們還會進一步論述聯邦學習將成為下一代機器學習的基礎，可以滿足技術和社會需求並促進面向安全的人工智慧的開發和應用。
《聯邦學習》可供電腦科學、人工智慧和機器學習專業的學生，以及大資料和人工智慧應用程式的開發人員閱讀，也可供高等院校的教員、研究機構的研究人員、法律法規制定者和政府監管部門參考。
在《聯邦學習》中，我們將描述聯邦學習（亦稱聯邦機器學習）如何將分散式機器學習、密碼學、基於金融規則的激勵機制和博弈論結合起來，以解決分散資料的使用問題。我們會介紹不同種類的面向隱私保護的機器學習解決方案以及技術背景，並描述一些典型的實際問題解決案例。我們還會進一步論述聯邦學習將成為下一代機器學習的基礎，可以滿足技術和社會需求並促進面向安全的人工智慧的開發和應用。
《聯邦學習》可供電腦科學、人工智慧和機器學習專業的學生，以及大資料和人工智慧應用程式的開發人員閱讀，也可供高等院校的教員、研究機構的研究人員、法律法規制定者和政府監管部門參考。