新書推薦：
《
心跳重置
》
售價：NT$
269.0
《
云中记
》
售價：NT$
347.0
《
中国古代妇女生活（中国古代生活丛书）
》
售價：NT$
214.0
《
你的认知正在阻碍你
》
售價：NT$
296.0
《
我们身边的小鸟朋友：手绘观鸟笔记
》
售價：NT$
356.0
《
拯救免疫失衡
》
售價：NT$
254.0
《
收尸人
》
售價：NT$
332.0
《
大模型应用开发：RAG入门与实战
》
售價：NT$
407.0
|
| 編輯推薦： |
（1） 旨在破除“数据孤岛”，满足隐私安全约束下实现高效智能模型训练和性能提升
（2） 基于PySyft框架，分享联邦学习在隐私计算、计算机视觉、深度强化学习领域的落地实践案例
（3）帮助读者获得思路的启发和应用场景的共鸣，实现对实际问题创造性地程序化描述
|
| 內容簡介： |
|
鉴于小数据和“数据孤岛”成为制约人工智能技术发展的关键挑战性问题。本书全方位讲解人工智能领域的联邦学习原理，翔实阐述在平衡智能学习和信息安全的前提下，如何通过加密机制进行模型参数交换，安全地进行人工智能模型训练，所建立的虚拟共享智能模型与直接聚合所有数据获得的最优模型性能相近。除此之外，本书致力于全流程介绍联邦学习实践工具，帮助读者搭建完整的框架平台以及它们之间的应用关系，推动人工智能技术转化应用落地；最后本书通过7个实践案例全维度展现联邦学习实战。
|
| 關於作者： |
|
高志强，军队指挥学武警信息化研究方向博士，毕业于中国人民武装警察部队工程大学，武警部队首届军事大数据工程专业筹备组成员。作为骨干成员参与研制多项武警部队信息化装备及平台系统，参与国家自然科学基金2项、陕西省自然科学基金1项。主要研究方向：深度学习、大数据与智能计算、面向大数据开放与治理的差分隐私保护数据发布关键技术研究及应用、粒子群优化算法等。
|
| 內容試閱：
|
笔者写作本书的初衷是一个比较漫长而又有意思的过程，关于联邦学习的研究进展符合事物发展的“螺旋式上升、波浪式前进”基本模式和潜在规律。笔者自2013年至今，一直从事计算机科学领域的相关科研和工程工作。
在2013年，进入最优化理论的群智能优化算法领域，开始了源于生物群体涌现性智能的分布式智能算法研究，那时还未出现去中心化、泛中心化概念，只是以算法设计与实验仿真为主。
进入2016年，搭乘着国内大数据商业化和技术推广的快车，初步涉及了Hadoop生态的分布式大数据存储计算相关工作，曾就实验室的虚拟化和分布式节点部署“几夜难眠”，同时，重点关注了大数据隐私保护技术领域的进展，尤其深度追踪了Microsoft杰出科学家Dwork提出的形式化隐私保护定义——差分隐私（Differential Privacy，DP）技术，并展开了大数据隐私保护架构设计、隐私保护数据采集、隐私保护数据聚类分析、隐私保护效果评估方面的应用基础研究工作，期间发表了一些隐私保护领域的学术论文。
在2016年前后，Apple公司在IOS系统中采用差分隐私技术保护用户手机数据隐私引起了我的研究兴趣，而几乎在相同的时间段，Google公司提出了支持隐私保护的分布式机器学习框架——联邦学习，让大规模智能手机具备了协同建模能力，更是让人感叹“英雄所见略同”。随后，差分隐私、加密计算、联邦学习等技术成为产、学、研各界的前沿热点。
回顾前期的研究工作经历，可以总结为“摸索—试错—强化—追随—融合”的过程，即按照计算机科学—技术—工程的路线对算法、数据、智能等方面进行了初步迭代式探索。纵观从最优化理论到大数据分析，再到隐私保护的机器学习技术（也细分为隐私保护数据发布、隐私保护数据分析、隐私保护数据挖掘等领域）的持续性发展周期，计算机技术的正向演进与各领域的内在需求、各行业的主体推动密不可分，互支撑、大融合的趋势愈发明显。
当前，以人工智能、区块链、云计算、大数据、边缘计算、联邦学习、5G 通信等为代表的新一代信息技术推动着理论研究、应用实践、社会发展的前进车轮，同时，Web 3.0、元宇宙、卫星互联网、数字经济、网云融合成为融合式、体系化发展的新方向。当然，最优化理论依然是支撑上述技术更好发展和全面应用需求的底层逻辑之一。如何进一步平衡与优化网络、算力（计算机硬件）、数据隐私、智能建模等方面需求，是需要不断拓展与深化的重要课题。
目前，海量、高速、异构、多样的大数据既带来了超越传统经典概率统计方法的全数据思维，又面临大量数据地理位置分离、组织关联较弱、难以共享交换的难题，同时，随着各界对数据隐私保护重视程度的日渐提升，各来源数据被迫孤立存储，制约人工智能优越性的“数据孤岛”困境已然形成。因此，如何破除“数据孤岛”，在满足隐私安全约束下实现高效的智能模型训练和性能提升是新时代背景下亟待解决的难题。
联邦学习被誉为大数据时代人工智能落地应用的“最后一公里”，可以保证多个数据拥有方在隐私保护前提下进行智能模型的分布式联合训练，既是破除“数据孤岛”的重要方法，也是形成联邦生态的关键使能技术之一，可作为对下“拉”通硬件、网络、数据底层的融合式中间层，对上支持人工智能跨域应用的核心支撑。
因此，本书的基本定位为“面向时代需求、夯实理论基础、强化实践能力、引领融合创新”，重点在于分析大数据、人工智能等新一代信息技术带来的“数据孤岛”困境和人工智能安全挑战，探讨联邦学习的使命任务与业界困境破解之道，基于Openmined开源社区的PySyft联邦学习框架，分享联邦学习在开源社区、隐私计算、计算机视觉、深度强化学习等领域的落地实践案例。
特色与亮点
（1）入门与进阶的循序渐进
狭义上讲，联邦学习是人工智能、信息安全的交叉领域；广义上说，联邦学习涉及最优化理论、机器学习、大数据分析、密码学、信息通信、智能芯片等综合基础学科知识。因此，为扫除读者入门的“拦路虎”，在入门引导方面，本书重点分析了大数据时代的“数据孤岛”以及人工智能视角下的隐私保护与数据安全问题，引导读者思考联邦学习的使命任务，从宏观上感受联邦学习在AI与隐私、数据安全兼得方面的破解之道；在进阶提升方面，以人工智能为主要载体，剖析其演进过程中“人工”与“智能”相伴相生的简史，并探讨联邦学习技术由此而厚积的理论基础以及隐私保护与信息安全根基。
无论是理论初学者还是行业的爱好者，通过循序渐进地“交流”，共同达到思想上的共识——联邦学习是人工智能与信息安全等技术与业务领域需求 工程实践的产物！
（2）基于理论与案例实践的融合
联邦学习源于非独立同分布、样本非均衡、大规模分布式终端、受限通信的典型场景下实现支持隐私保护的分布式机器学习重要需求，其理论基础是人工智能与信息安全技术的深度融合。因此，联邦学习的提升研究需要读者理解面向应用场景的关键技术，培养体系架构的系统工程思维，源于应用需求，深化于理论，反馈于实践，形成“需求—理论—实践”的闭合回路。
在案例实践方面，本书既对业界联邦学习的应用场景和“学习”成品（例如生命大数据可信计算、京东智联云联邦学习、百度安全联邦计算等平台）进行介绍，又通过基于数据表和张量指针的线性回归、基于卷积神经网络的图像识别、基于嵌入式智能设备的异步联邦学习、基于Websocket的远程通信、基于DQN的强化学习等案例进行联邦学习实战讲解。兼顾理论深度和实践案例的广度，为读者展现联邦学习的应用场景，让实践赋予理论更多的“实在感”。
（3）开源共享与持续创新的厚积
开源是信息技术发展的重要模式和动力，更是推动联邦学习技术走进科研、商业、工程、生活的重要手段。本书所涉及程序源于OpenMined开源社区和所在团队在Github上开源的工作，希望关于联邦学习的初步工作可为联邦学习技术的开源与知识共享传播贡献一份力量。此外，创新是科技进步的源泉，也是技术发展的不竭动力。本书的部分理论思考及实践案例是团队多年参加竞赛、学术交流、发明专利等活动的持续积累，也是本书在内涵上的重要特色。
组织结构
本书按照背景与基础、原理与技术、框架与实战的结构，共分三篇12章，并根据读者需求，提供Python快速教程、Linux常用命令、BP算法推导和参考资料等补充章节（鉴于篇幅原因，补充章节内容放在了本书的整体下载包中，读者可通过封底二维码获取）。在各章节内部，配有思维导图以及大量思维拓展环节，以期帮助读者形成较为全面的联邦学习脉络。
综上所述，本书的知识框架和学习思路如下。
第一篇为背景与基础，以联邦学习的宏观背景和技术轮廓为总领，讲解联邦学习的时代背景和理论基础，以期激发读者对联邦学习中隐私保护和人工智能安全的感性认识，感受联邦学习在大融合、大发展、大繁荣、大有可为的新时代“温度”。
总体来讲，理解宏观背景和技术轮廓是入门联邦学习的第一步。因此，第一篇的定位既是基础入门的“知识图谱”，又是进阶提升的“第一踏板”。有相关理论储备和研究基础的读者可以跳过该部分内容，直接进入后续章节学习。对该领域感兴趣的读者可以以重温和科普的心态，品读相关发展演进脉络，以启发新的思考。
第二篇为原理与技术，主要对联邦学习的基本原理、关键技术、应用场景等细节问题进行剖析，促进读者的理性认识，从基本原理、体系架构、关键技术、应用场景等角度对相关技术进行讲解，既是对联邦学习基础理论的整合与升华，也是对联邦学习内涵外延的解析，更是实战应用的理论指导。
在本篇中，第3章是联邦学习架构技术的理论核心，第4章从应用场景和性能优化两个维度剖析了联邦学习的关键技术。因此，由理论到技术到应用，符合读者对新技术学习的闭合通路，便于读者轻松构建起联邦学习知识体系的“四梁八柱”，对下衔接坚实的理论基础，对上支撑前沿应用。
第三篇为框架与实战，结合Openmined社区开源的PySyft平台资源，针对数据挖掘、计算机视觉、嵌入式开发、安全计算等具体应用场景精选线性回归、卷积神经网络、智能硬件开发、Websocket通信、强化学习等技术案例进行编程实现，与基础理论、关键技术呼应，构成符合学习规律的全流程闭合回路。
本篇是全书的重点，从综合案例实践角度对全书知识点的总结与提升，以期让联邦学习技术不只是密码学、人工智能等领域的“上层建筑”，更是实实在在有温度、接地气的落地应用，以期为相关领域研究者、爱好者、实践者提供有益参考和思维指引。
学习建议
希望通过本书的学习，读者可以从技术融合和系统工程的角度对联邦学习进行思考，尤其重点理解如下观点：
联邦学习的关键是架构，重点是联合，具体为数据的联合、模型的联合、资源的联合。
关于对以上这句话的理解，可以将这一观点融入新一代信息技术发展的大背景下，从算法、算力、数据、网络、安全等角度对联邦学习发展的推动作用去思考，即可获得其中“真意”。具体讲，联邦学习的本质是一种架构技术，也正是因为联邦学习去中心化、泛中心化等类型的架构，才有望融合大规模分布式终端设备数据与不同业务领域“数据孤岛”数据，进而为人工智能、大数据分析、智能优化等领域的发展提供架构体系支撑；数据的联合是对多源跨域异构数据进行深度安全可信的融合，进而打破各类约束条件下的“数据孤岛”，为人工智能等应用发展提供充足的数据支撑；模型的联合是基于联邦学习架构，在分布式、集中式、混合式部署模式下人工智能模型的具体化呈现，是实现高性能人工智能推理、训练的重要方式；资源的联合是整合联邦学习架构所涉及网络通信、计算、存储等资源的重要途径，是促进人工智能等任务高效落地应用的重要保障。
此外，本书各章节从知识前沿、领域关注、理论深度、具体案例等角度分别设计了相应的思维拓展模块，可以启发读者研究思路。在参考资料部分，整理了思维导图、开源代码、权威论文等资料，以期帮助读者提高动手实践和理论研究能力。
最后，“纸上得来终觉浅，绝知此事要躬行”，想要深入理解联邦学习，还需读者自己动手去进行理论推导、编程实践、实际应用，方可真正形成基于感性认识—理性认识—实践认识的“闭合学习回路”。
预期读者
（1）人工智能与信息安全技术初学者
联邦学习所涉及技术体系庞大，知识点繁多；同时，可选用资源又非常丰富，初学者容易无从下手。希望通过本书学习，初学者可以厘清人工智能及其相关的隐私保护、大数据分析等知识的基本脉络，找到适合自己的技术学习和发展路线。
（2）程序开发者
技术的生命在于应用转化，尤其在计算机科学领域，没有落地应用，技术很难有长远持续的发展。因此，本书的实战案例讲解可以辅助具有一定人工智能开发基础的程序员、工程师获得思路上的启发和实际应用场景的共鸣，为其所写代码赋予“有场景”的生命力，促进其对实际问题场景创造性地程序化描述，进而推动新一代信息技术的发展。
（3）前沿科技爱好者
开源是人工智能发展的必经之路，希望本书可为深度学习、隐私保护等前沿科技爱好者提供共享技术、共享理念的交流平台，对开源社区建设和联邦学习知识的普及起到一定推动作用。
感悟与致谢
在本书的成稿过程中，笔者一直在揣摩学习者、读者的思维模式，尽力平衡“书”的教与“读者”的学，以期通过深入浅出的方式帮助初学者厘清联邦学习的学习脉络。希望本书不仅“顶天”，更能“立地”，即联邦学习是领域的前沿技术，会让初学者有距离感，希望通过本书的讲解、分析，帮助联邦学习技术走近读者，更具生命力。
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
