书籍介绍
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zui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。
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。
目录
第1章联邦学习的时代背景1.1大数据时代的“数据孤岛”11.1.1信息孤岛11.1.2数据孤岛5【思维拓展】数据中台91.2人工智能视角下的隐私保护与数据安全101.2.1大数据的隐私保护10【思维拓展】大规模隐私泄露事件121.2.2人工智能时代的隐私与安全16【思维拓展】无处安放的隐私——特斯拉在盯着你191.3联邦学习的使命任务201.3.1大势所趋：政策法律和市场风向201.3.2合法合规：“可用不可见”的数据流通221.3.3破解之道：人工智能与隐私、数据安全的兼得231.4本章小结24第2章联邦学习的理论基础2.1人工智能的前世今生252.1.1人工智能简史25【追本溯源】达特茅斯会议282.1.2人工智能释义292.2人工智能中的“人工”312.2.1特征工程31【概念释义】科学、技术、工程332.2.2数据工程342.3人工智能是如何“智能”的342.3.1机器学习352.3.2深度学习39【思