微众银行发布世界第一本《联邦学习》专著：大数据时代，效率和隐私可以兼得

你一周点几次外卖？收到多少快递？喜欢用哪款 手机 ？每天给谁打电话最多？……

你有没有想过这些属于你隐私的个人信息正在或者已经被泄露了吗？

网络 科技 的发展带给了人们更便捷和快速的生活，但同时在暴露出可怕的后果。垃圾短信、电话骚扰无孔不入，利用个人信息网络诈骗和现实人身攻击的案件也时有发生。

在大数据时代，在机器学习日新月异的时代，数据安全和隐私边界成了最难解决的问题之一。那么如何在保证用户隐私安全的前提下合法合规获取数据？已经成为当下人工智能大规模应用于产业的关键。联邦学习（Federated Learning），正是解决这一矛盾的利器。

微众银行 发布全球第一本 《联邦学习》专著

联邦学习是一种新兴的人工智能基础技术，近两年发展极为迅速，渐渐成为各行各业大数据合作与AI协作的“标配”，尤其是 金融 、医疗、智慧城市等对数据安全要求极高的强监管行业，对这一技术系统化的认知需求也愈发强烈。

联邦学习的优势包括

（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。

作为国内首倡并大力推广联邦学习技术的微众银行，近日，以立足产、学、研多领域的深厚经验推出了《联邦学习》这一重量级专著。这是世界上第一部系统介绍联邦学习的专著《联邦学习》中文版上市。

书中对联邦学习这一人工智能新兴技术进行了系统性阐释，并且全面分享了微众银行在联邦学习领域的深厚积累。

该书由电子工业出版社出版，微众银行首席人工智能官杨强教授及人工智能部刘洋、程勇、康焱、陈天健、于涵等多位人工智能领域顶级专家历时两年，共同撰写而成。

杨强教授是国际人工智能界的领军人物，他的研究领域包括人工智能、数据挖掘、机器学习等，是 “迁移学习”（Transfer Learning）的开创者，并且带领团队首次提出“联邦迁移学习”（Federated Transfer Learning）的研究新方向。

（杨强教授）

联邦学习将成为下一代人工智能大规模协作的基础

在书中，微众银行用11个章节全面、系统地阐述了如何将联邦学习与分布式机器学习、密码学和安全深度结合，并吸纳 经济 学原理和博弈论的激励机制设计相关理论，以解决“在数据不出本地、确保数据安全的情况下，让多个数据拥有者共享数据模型”的问题。此外，更介绍了联邦学习研究和开源平台等前沿成果，以及联邦学习在金融、计算机视觉等领域的落地实践案例。

凭借理论专业性及立足实践的实用性，该书获得国内外顶级专家认可与推荐。中国科学院院士、清华大学人工智能研究院院长张钹在书的序言中写道，“《联邦学习》一书主要从技术维度出发，重点研究了联邦学习对AI的隐私保护和数据安全问题。从广度上看，此书除了讨论了四种联邦学习的基本类型，还讨论了相关的联邦学习激励机制和分布式机器学习。而从深度上看，书中包括原理、算法、平台和应用实例。本书作者杨强等均来自微众银行，他们都参与了联邦智能使能器（Federated AI Technology Enabler，FATE）的联邦学习平台的开发。本书的许多思想来源于这个实践，因此具有实用性。”

（中国科学院院士、清华大学人工智能研究院院长张钹）

中国工程院院士、北京大学教授、鹏城实验室主任高文，创新工场董事长兼CEO李开复，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梅宏，第十三届全国政协经济委员会委员肖钢，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周志华等为书撰写推荐语。

数据的隔离和对数据隐私的重视正成为人工智能的下一个挑战，但联邦学习为人们带来了新的希望。 它可以在保护本地数据的同时为多个企业建立统一的模型，从而使企业可以在以数据安全为前提的情况下共同取胜。《联邦学习》这一重量级专著的诞生，或许正是联邦学习技术的又一个腾飞，它标志着这一技术走向成熟，

正如本书作者之一，联邦学习技术最早的布道者，国际人工智能界领军人物杨强教授所说的那样：“联邦学习作为下一代人工智能大规模协作的基础，迎合了技术和社会的需求，将承担起人工智能在发展和应用中的重任。”

预计在不久的将来，联邦学习将打破行业之间的障碍，并建立一个可以安全共享数据和知识的社区，人工智能的好处最终将融入我们生活的每个角落。