来源：专知
本文为书籍介绍，建议阅读5分钟
研究进展和联邦学习(FL)的最先进的发展，从领域的最初概念到第一个应用和商业使用。
联邦学习:方法和应用的全面概述为研究人员和实践者提出了联邦学习最重要的问题和方法的深入讨论。
联邦学习(FL)是一种机器学习方法，其中训练数据不是集中管理的。数据由参与FL进程的数据方保留，不与任何其他实体共享。这使得FL成为机器学习任务中越来越受欢迎的解决方案，对于这些任务，将数据集中在一个集中存储库中是有问题的，无论是出于隐私、监管还是实际原因。
这本书解释了最近的研究进展和联邦学习(FL)的最先进的发展，从领域的最初概念到第一个应用和商业使用。为了获得这一广泛和深入的概述，领先的研究人员解决了联邦学习的不同视角:核心机器学习视角、隐私和安全、分布式系统和特定的应用领域。读者将了解这些领域面临的挑战，它们是如何相互联系的，以及如何用最先进的方法解决它们。
在前言中概述了联邦学习的基础知识之后，在接下来的24章中，读者将深入探讨各种主题。第一部分解决了以联合方式解决不同机器学习任务的算法问题，以及如何高效、大规模和公平地训练。另一部分重点关注如何以一种可针对特定用例定制的方式选择隐私和安全解决方案，而另一部分则考虑运行联邦学习过程的系统的实用主义。本书还介绍了联邦学习的其他重要用例，如分离学习和垂直联邦学习。最后，本书包括了一些章节，重点介绍了FL在真实企业环境中的应用。
https://link.springer.com/book/10.1007/978-3-030-96896-0
| 留言与评论（共有 0 条评论） “” |
