- 推荐0
- 收藏0
- 浏览97
联邦学习原理与应用（全彩）
- 书 号：978-7-121-42301-7
- 出版日期：2021-11-30
- 页 数：312
- 开 本：16(170*240)
- 出版状态：上市销售
- 维护人：石悦
纸质版 ￥109.00
本书既是关于联邦学习技术和上手实践方法的介绍，又是关于联邦学习在业界，特别是金融科技行业应用实践的案例展示。
第1章介绍联邦学习的发展背景和历程，以及金融业中数据共享的机遇和挑战。第2章~第5章介绍不同类型的机器学习方法在联邦学习模式下的实现，以及关键算法原理。第6章介绍联邦学习开源框架FATE的架构和部署，以及在金融控股集团内大数据平台上建立跨机构统一数据科学平台的实施方案。第7章从建模者的角度展示了典型建模流程的实战过程。第8章和第9章结合在金融相关行业的实践，以多个应用案例和解决方案的形式，介绍联邦学习在营销运营和风险管理等不同业务方向上不同层次的应用实践。第10章从人工智能的不同方向介绍联邦学习应用扩展及前景。附录介绍了联邦学习框架中相关的密码学工具。
第1章介绍联邦学习的发展背景和历程，以及金融业中数据共享的机遇和挑战。第2章~第5章介绍不同类型的机器学习方法在联邦学习模式下的实现，以及关键算法原理。第6章介绍联邦学习开源框架FATE的架构和部署，以及在金融控股集团内大数据平台上建立跨机构统一数据科学平台的实施方案。第7章从建模者的角度展示了典型建模流程的实战过程。第8章和第9章结合在金融相关行业的实践，以多个应用案例和解决方案的形式，介绍联邦学习在营销运营和风险管理等不同业务方向上不同层次的应用实践。第10章从人工智能的不同方向介绍联邦学习应用扩展及前景。附录介绍了联邦学习框架中相关的密码学工具。
联邦学习可以有效解决数据孤岛问题
“数据是新时代的石油”。石油需要经过勘探、开采、提炼才能成为石化产品，服务人类，体现价值。数据同样需要经过治理和挖掘才能产生价值。在数据治理和挖掘的过程中，数据的应用面临很多困难和挑战。解决“数据孤岛”问题是其中最突出的难点。隐私保护是近年来从个人用户到政府都高度关注的内容。如何在保护个人隐私和数据安全的情况下，实现跨机构的数据联合使用，是当前大数据产业和人工智能技术应用的重要课题与探索方向。
2020年被认为是国内联邦学习和隐私保护计算的应用元年。无论是掌握最丰富数据资源的互联网“大厂”，掌握大量金融数据的银行和丰富通信数据的电信企业，还是传统的提供数据服务的第三方科技公司，都开始布局联邦学习，或提出应用架构框架，或结合业务建立行业解决方案。这既是数据共享和价值挖掘有着巨大的应用需求与价值的表现，也是面对严格的法律和监管要求，数据相关工作的一种必然的选择。
联邦学习作为一种隐私保护计算技术，为数据的联合建模和价值挖掘提供了可行的解决路径，正在实践中高速发展。在金融科技发展的过程中，对于数据的跨机构联合使用有强烈的应用需求。在服务中国光大集团打造世界一流金融控股集团的战略目标过程中，特别是在服务集团数字化转型和E-SBU协同战略的实践中，光大科技有限公司作为集团科技创新的实践者，聚焦数字化、智能化，从2019年年初就开始积极跟进联邦学习的最新发展，加入联邦学习FATE开源社区并提交代码为社区做贡献，积极参与行业技术标准的制定。光大科技有限公司在集团协同场景中探索，并在中国光大集团数据港上打造联邦学习平台，帮助集团内成员企业实现跨机构联合数据应用。
作为金融科技行业的参与者，我们把在联邦学习上的探索和实践经验分享给业界，希望为大数据和人工智能在金融行业的落地应用、数字经济发展和国有企业数字化转型贡献一份力量。这也是我们编写本书的初心和动机。我们尝试从联邦学习发展的背景、技术方法和工具的原理、落地实践的详细过程、与金融业务相关的应用案例、应用展望等方面，多角度、多层次地展示联邦学习及其在金融科技行业应用的全貌。
在编写本书的过程中，特别是在资料收集方面，我们得到了光大科技有限公司大数据部同事的大力帮助，在此特别向张明锐、凌立、周权、魏乐、额日和、卢格润、彭成霞、原田、毕光耀、樊昕晔、李钰、王义文、解巧巧等表示衷心的感谢。本书的编写和出版得到了电子工业出版社博文视点公司石悦老师，从选题策划到布局谋篇等方面的帮助。我们也对石悦老师表达感谢。此外，我们还要特别感谢香港科技大学的杨强教授和联邦学习FATE开源社区创始人陈天健，他们阅读了本书初稿并提出了很多宝贵的意见和建议，使我们对FATE框架的介绍更加准确与深入。
最后，我们还要感谢光大科技有限公司和中国光大集团，以及集团内的其他成员企业。它们鼎力支持，并提供了强大的技术平台和良好的协同环境，让我们能够最终完成本书的写作。
2020年被认为是国内联邦学习和隐私保护计算的应用元年。无论是掌握最丰富数据资源的互联网“大厂”，掌握大量金融数据的银行和丰富通信数据的电信企业，还是传统的提供数据服务的第三方科技公司，都开始布局联邦学习，或提出应用架构框架，或结合业务建立行业解决方案。这既是数据共享和价值挖掘有着巨大的应用需求与价值的表现，也是面对严格的法律和监管要求，数据相关工作的一种必然的选择。
联邦学习作为一种隐私保护计算技术，为数据的联合建模和价值挖掘提供了可行的解决路径，正在实践中高速发展。在金融科技发展的过程中，对于数据的跨机构联合使用有强烈的应用需求。在服务中国光大集团打造世界一流金融控股集团的战略目标过程中，特别是在服务集团数字化转型和E-SBU协同战略的实践中，光大科技有限公司作为集团科技创新的实践者，聚焦数字化、智能化，从2019年年初就开始积极跟进联邦学习的最新发展，加入联邦学习FATE开源社区并提交代码为社区做贡献，积极参与行业技术标准的制定。光大科技有限公司在集团协同场景中探索，并在中国光大集团数据港上打造联邦学习平台，帮助集团内成员企业实现跨机构联合数据应用。
作为金融科技行业的参与者，我们把在联邦学习上的探索和实践经验分享给业界，希望为大数据和人工智能在金融行业的落地应用、数字经济发展和国有企业数字化转型贡献一份力量。这也是我们编写本书的初心和动机。我们尝试从联邦学习发展的背景、技术方法和工具的原理、落地实践的详细过程、与金融业务相关的应用案例、应用展望等方面，多角度、多层次地展示联邦学习及其在金融科技行业应用的全貌。
在编写本书的过程中，特别是在资料收集方面，我们得到了光大科技有限公司大数据部同事的大力帮助，在此特别向张明锐、凌立、周权、魏乐、额日和、卢格润、彭成霞、原田、毕光耀、樊昕晔、李钰、王义文、解巧巧等表示衷心的感谢。本书的编写和出版得到了电子工业出版社博文视点公司石悦老师，从选题策划到布局谋篇等方面的帮助。我们也对石悦老师表达感谢。此外，我们还要特别感谢香港科技大学的杨强教授和联邦学习FATE开源社区创始人陈天健，他们阅读了本书初稿并提出了很多宝贵的意见和建议，使我们对FATE框架的介绍更加准确与深入。
最后，我们还要感谢光大科技有限公司和中国光大集团，以及集团内的其他成员企业。它们鼎力支持，并提供了强大的技术平台和良好的协同环境，让我们能够最终完成本书的写作。