2018 年，Facebook 因黑客入侵导致 2900 多万个用户的个人数据泄露，一下子陷入了舆论中，同时也引发了我们每个人对信息安全的思考：

我们的隐私数据是否早已泄露，而我们却毫无察觉？

随着大数据、边缘计算、大型云计算平台和各种开源框架的发展，机器学习等人工智能技术以前所未有的速度应用到各个行业。

然而，人工智能技术在为我们带来机遇的同时，也带来了新的挑战。

数据的隐私和安全引起了全世界的重视。

2018年5月欧盟发布了《通用数据保护条例》以加强对用户数据隐私保护和对数据的安全管理，同样中国也推出了相关规定限制金融数据的使用。

数据使用的限制使得互联网数据分散在不同企业、组织中，形成了“数据孤岛”现象，各方数据不能直接共享或者交换

因此，如何在解决“数据孤岛”问题的同时保证数据隐私和安全，成为各界最关注的事情。这正是联邦学习（Federated Learning，FL）要研究的问题。

政府部门“数据孤岛”、数据运营商“数据孤岛”、企业“数据孤岛”示意图
（虚线表示无法流通，彼此独立）

结合目前国内外的企业、组织的数据存储现状和法律法规对数据共享的限制，“数据孤岛”问题面临多个难点：

1.安全分享难，这不仅是数据管理技术的需求，还涉及信任问题。

2.利用难，由于数据来源于不同的企业和组织，很可能在数据格式方面不统一，那么在融合时就会出现问题。

3.传输难，即使可以交给对方或可信任的第三方，难以保证各方的传输速度及成本。

4.定价难，数据作为一种无形资产，其价值也随着应用场景不断变化，因此数据产权难以确定、交易标的难以确定。

而联邦学习提供了一种解决数据安全和“数据孤岛”问题的可行性方向。

通过多方安全计算协议，密码学，以及差分隐私等相关技术，通过数据不动，模型动的思想，在保护各方数据隐私的前提下打通了孤岛，充分挖掘利用了各方数据的价值。

纵向联邦学习训练示意图

联邦学习有如下几点优势。

1.数据隔离，数据不会泄露到外部，满足用户隐私保护和数据安全的需求；

2.能够保证模型质量无损，不会出现负迁移，保证联邦模型比割裂的独立模型效果好；

3.参与者地位对等，能够实现公平合作；

4.能够保证参与各方在保持独立性的情况下，进行信息与模型参数的加密交换，并同时获得成长。

在学术界，联邦学习已经逐渐成为了顶会的热门主题。

在今年几场重磅会议中,联邦学习相关的论文数量相较去年明显增多，其中IJCAI 2020有20篇，AAAI 2021共18篇 ICLR 2021共15篇。

对于工业界而言，联邦学习俨然已经成为了解决数据孤岛问题的一项利器。

很多互联网企业纷纷投入研发资源，并进行市场布局。这项技术于 2016 年被谷歌提出，在 2019 年年初被引入国内，在 2020年即已出现数十家企业提供的产品，并出现了大规模的商业应用。

从技术层面来看，联邦学习是密码学、分布式计算、机器学习三个学科交叉的技术，需要掌握跨领域的综合知识。

并且越来越多的人关注到联邦学习这个新兴技术，希望系统地掌握联邦学习的原理，并在产业应用中解决具体问题。

《联邦学习技术与实战》正是在这样的背景下撰写和出版的。

本书由京东科技集团风险管理中心总监彭南博，以及京东科技集团风险管理中心算法科学家王虎撰写，两位均于2012年在中科院大学获得博士学位。

彭南博在人工智能算法、风控模型等领域具有丰富的实践经验。领导团队研发联邦学习技术和产品、模型管理体系、监控体系等。

王虎则负责联邦组网过程中的算法研究和模型优化，在联邦学习产品化、探索实践的过程中积累了大量经验。

本书基于实战经验撰写，详细地介绍了相关技术的原理和实战经验。

不仅深入浅出地讲解了具体的联邦学习算法，联邦交集计算以及联邦特征工程等理论知识，同样针对实践过程中可能遇到的通信、资源不足等问题给出了优化方案。在此基础上结合丰富的产业经验，对于联邦学习与其他领域的结合场景，如何设置激励机制和定价模型等问题，也给出了详细的解答。从多个维度帮助读者解决了联邦学习是什么，怎么用的问题，具有极强的实用价值。

希望本书可以带你进入联邦学习的世界，从此轻松连接数据孤岛！

《联邦学习技术及实战》
彭南博 王虎 著

保护隐私安全，连接数据孤岛

本书针对产业界在智能化过程中普遍面临的数据不足问题，详细地阐述了联邦学习如何帮助企业引入更多数据、提升机器学习模型效果。互联网数据一般分布在不同的位置，受隐私保护法规限制不能共享，形成了“数据孤岛”。联邦学习像“数据孤岛”之间的特殊桥梁，通过传输变换后的临时变量，既能实现模型效果提升，又能确保隐私信息的安全。

本书介绍了联邦学习技术的原理和实战经验，主要内容包括隐私保护、机器学习等基础知识，联邦求交、联邦特征工程算法，三种常见的联邦形式，以及工程架构、产业案例、数据资产定价等。

（扫码了解本书详情）