可信联邦学习

配套资源与习题答案

⚠️ 本网站不提供书籍正文内容，仅公开配套资源与习题答案

📖 书籍简介

创作背景

随着人工智能技术的快速发展，数据隐私保护与模型安全性成为学术界和工业界关注的核心议题。联邦学习作为一种分布式机器学习范式，允许多方在不共享原始数据的前提下协作训练模型，为隐私保护提供了新的解决方案。然而，联邦学习自身的可信性——包括安全性、公平性、效率、激励机制以及知识产权保护等方面——仍面临诸多挑战。本书系统性地梳理了可信联邦学习的理论基础、核心算法与前沿进展，旨在为读者提供一部全面、深入的参考教材。

适合读者

  • 人工智能与机器学习方向的研究人员
  • 隐私计算与数据安全领域的工程师
  • 分布式机器学习方向的技术人员
  • 企业中负责联邦学习落地的技术团队
  • 高校计算机、人工智能相关专业的师生
  • 对联邦学习与可信 AI 感兴趣的自学者

📕 书籍封面与详情

封面

正面封面

封底

封底详情

立体图

立体展示

立体图

侧面展示

📖 精彩内页

点击图片可放大查看高清原图

📦 获取纸质书

即将上线（待正式出版）

购买链接将在正式出版后更新

👥 作者团队

杨

杨强

Qiang Yang

香港理工大学 人工智能学院
执行院长

profqiang.yang@polyu.edu.hk

联邦学习 迁移学习 可信 AI
个人主页
黄

黄安埠

Anbu Huang

微众银行
资深人工智能算法专家

huanganbu@gmail.com

联邦学习 隐私计算
个人主页
范

范力欣

Lixin Fan

微众银行
人工智能首席科学家

lixinfan@webank.com

联邦学习 隐私计算
个人主页
刘

刘洋

Yang Liu

香港理工大学
副教授 (Presidential Young Scholar)

yang-veronica.liu@polyu.edu.hk

联邦学习 可信 AI 博弈论
个人主页
张

张晓今

Xiaojin Zhang

华中科技大学
助理教授

xiaojinzhang@hust.edu.cn

可信机器学习 联邦学习
个人主页