内容提要

数据孤岛问题已经成为制约人工智能发展的主要阻碍。在此背景下，联邦学习（Federated Learning）作为一种新兴的机器学习技术范式，凭借其突出的隐私保护能力，展示出在诸多业务场景中的应用价值。

本书从联邦学习的基础知识出发，深入浅出地介绍了中央服务器优化和联邦机器学习的算法体系，详细阐述了联邦学习中涉及的加密通信模块的相关知识，以定性和定量的双视角建立了联邦学习服务质量的评估维度、理论体系，还延伸介绍了提升联邦学习服务质量的方法，并对联邦学习的研究趋势进行了深入探讨与分析，可以对设计和选择算法提供工具式的参考和帮助。

本书是高校、科研院所和业界相关学者研究联邦学习技术的理想读本，也适合大数据、人工智能行业的从业者和感兴趣的读者参考。

序言1

数字化经济的时代已经到来，数据已成为信息流通、价值传递的基础性生产要素，而如何在跨机构、跨行业，甚至跨境交易和流通的场景中实现数据保护与隐私安全，一直是社会各界亟待解决的问题。值得庆幸的是，联邦学习作为一种融合性、密态下的分布式机器学习范式应运而生，并在近些年受到产业界、学术界以及投资领域的广泛关注。

联邦学习能够在不同用户间搭建起数据合作的“桥梁”，面对市场合规监管提供一种行之有效的解决方案，尤其在金融、医疗等对数据安全有极高要求的强监管行业中表现出色。于是，业界开始着眼于相关行业标准的制定和完善，致力于规范联邦学习技术、提升市场接受度。同时，我和广大同人也欣喜地看到，互联网“大厂”、金融科技公司以及众多初创公司纷纷进入隐私计算的赛道，共同布局和推动联邦学习生态，这让人们对在保障数据安全的前提下进行人工智能产业的商业化落地满怀希望。

当然，联邦学习的“底座”还是技术本身，越来越多的企业、高校正对联邦学习展开持续且深入的研究，努力突破现存的技术瓶颈，例如使用同态加密下的密文计算开销过大、数据非独立同分布的异质性、联邦模型的效果差异等。而本书的面世恰逢其时，不同于其他以科普或实战为主要特色的联邦学习类著作，本书从理论层面对联邦学习技术的各个组成部分进行了系统的总结，并基于不同的应用场景给出了丰富的案例。

本书首先以联邦学习的诞生引入，从概念、类别，到发展历程、应用场景，带领读者遍历联邦学习的基础知识，然后对联邦学习涉及的各类算法、安全技术、服务质量评估等进行详尽的介绍和分析。这一点十分关键，对有意“下沉”到理论层面刨根问底的读者大有裨益，值得向广大联邦学习研究者、同行力荐。

本书由扎根在联邦学习技术研究与商业化落地一线的王健宗博士及其团队编著，它的出现将推动业界对于联邦学习原理与算法的研究，相信本书的出版会为联邦学习理论的发展以及相关技术落地起到正向的推动作用。

罗训天津理工大学教授天津市“一带一路”国际联合实验室主任中国计算机学会理事、杰出会员

序言2

谷歌（Google）母公司Alphabet首席执行官桑达尔·皮查伊（Sundar Pichai）在接受某次采访时曾说：“人工智能是人类正在从事的最具深远意义的事情之一，它比火或电更加意义深远。”人工智能的影响之深远，甚至超越人们的想象力。不过，现阶段的人工智能更多依赖于大量可用的标记数据，由大数据驱动发展。

随着我国对数据安全的立法保护与市场监管趋严，以及人们对个人隐私安全的重视程度不断提高，数据隐私保护已经成为世界性的趋势，同时大多数行业出于监管和竞争力的考虑，对数据共享慎之又慎，导致了严重的数据孤岛问题。

联邦学习作为一项新兴的隐私计算技术，为“人工智能的最后一公里”打开了大门，一经问世便迅速成为学术界、工业界的宠儿，受到诸多行业的重视和应用，可以说是时下最火热的数据安全类技术之一。