移动互联技术这把“温柔刀”，带来巨大便利之余，也将我们的个人数据放进了橱窗，为“推动信息技术发展”而供人调取。
我们都清楚网络“裸奔”的行为很混乱，但你知道到底有多乱吗？真相，可能远比想象中严重。
近日，某银行都会因为“大客户”要求而泄露客户流水，那么在这个高度开放的互联网世界里，存放着我们隐私的安全小屋又能安全到哪里去？
▼ 特斯拉最近曝出因数据保护不力，导致用户隐私泄露的问题。
▼ 今年3月，新浪微博因用户查询接口被恶意调用，5.38亿微博用户数据泄露。
无论是工信部隔三差五曝出的违规收集数据，还是新闻里时时可见的隐私泄露问题，在当前大数据驱动的社会环境下，数据隐私安全成为了全民探讨的重要议题。
信息技术的发展，离不开由我们在智能终端（手机及其他设备等）上产生或推断出的个人数据，如浏览习惯、点击频次等，来推动个性化应用和服务的发展。
尤其在AI领域，这一情况更为明显，依赖于持续的数据感知、收集，并上传至服务端进行深度分析与训练，AI才能迎来蓬勃发展。但底层未经审查、不透明的数据收集和聚合协议，很可能造成严重的数据安全威胁和隐私风险。
要解决这样的困境，仅仅靠传统的机器学习方法已经出现瓶颈。我们需要一个既满足隐私保护和数据安全，又可实施的解决方案——联邦学习。
什么是联邦学习
联邦学习希望做到各个企业的自有数据不出本地，而联邦系统可以通过加密机制下的参数交换方式，即在不违反数据隐私法规情况下，建立一个虚拟的共有模型。这个虚拟模型就好像大家把数据聚合在一起建立的最优模型一样。但是在建立虚拟模型的时候，数据本身不移动，也不泄露隐私和影响数据合规，也就是“数据不动，模型动”。这样，建好的模型在各自的区域仅为本地的目标服务。在这样一个联邦机制下， 各个参与者的身份和地位相同，而联邦系统帮助大家建立了“共同富裕”的策略，也就是“风险不增，效益增”。这就是为什么这个体系叫做“联邦学习”。
联邦学习的价值
如何学习联邦学习
首部全面、系统论述联邦学习的中文著作《联邦学习》现已上市，可以作为广大学习者入门和探究联邦学习的第一本书！
本书详细描述了联邦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。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。
本书知识体系
（点击查看大图）
业内顶级阵容，权威专著
倾情作序
张钹 / 中国科学院院士，清华大学人工智能研究院院长
联合力荐
（按姓氏拼音排序）
高文 / 中国工程院院士，北京大学教授，鹏城实验室主任
李开复/ 创新工场董事长兼CEO
梅宏 / 教授，中国科学院院士，欧洲科学院外籍院士，IEEE Fellow，中国人民解放军军事科学院副院长
肖钢/ 第十三届全国政协经济委员会委员
周志华 / 南京大学人工智能学院院长，欧洲科学院外籍院士，ACM/AAAI/IEEE Fellow
作者团队
杨强 / 微众银行的首席人工智能官（CAIO），香港科技大学（HKUST）计算机科学与工程系讲席教授。
刘洋 / 微众银行AI 项目组的高级研究员。
程勇 / 微众银行AI 项目组的高级研究员。
康焱 / 微众银行AI 项目组的高级研究员。
陈天健 / 微众银行AI 项目组的副总经理。
于涵/ 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。
顶配福利，触手可得
加入《联邦学习》图书交流群，享受以下福利：
①与作者团队共同讨论联邦学习技术话题，实时答疑解惑
② 获取来自“微众银行人工智能团队”的第一手技术资料，包含联邦学习前沿研究、多领域应用案例、FATE开源项目实战指导等
③ 第一时间获取杨强教授等多位人工智能顶级专家在线公开课程信息，抢占VIP席位
④ 《联邦学习》第一批新书特价抢购权
限时仅需0.1元，你将得到：
-
抢鲜试读本书第1章全部内容！
-
获赠10元博文视点学院优惠券
第一章简介
本书第1章即将围绕当前人工智能面临的挑战，以及联邦学习可以作为一个有效的解决方案，并介绍联邦学习的分类和发展。同时论述：联邦学习将作为下一代人工智能大规模协作的基础，能迎合技术和社会的需求，承担起人工智能在发展和应用中的重任。
更多科技资讯请见微信公众号：博文视点Broadview（微信号：bvbooks）
网友评论