·498· 智能系统学报 第15卷 training of Wasserstein GANs[C]//Proceedings of 31st 作者简介： Annual Conference on Neural Information Processing 曹锦纲，博士研究生，主要研究方 Systems.Long Beach,USA,2017:5769-5779 向为图像处理和模式识别。发表学术 [18]JOHNSON J,ALAHI A,LI Feifei.Perceptual losses for 论文10余篇。 real-time style transfer and super-resolution[C]//Proceed- ings of the 14th European Conference on Computer Vis- ion.Amsterdam.The Netherlands,2016:694-711 [19]KIMT H,LEEK M.SCHOLKOPF B,et al.Online video debl- urring via dynamic temporal blending network[C]//Pro- 李金华，硕士研究生，主要研究方 向为图像处理和人工智能。 ceedings of 2017 IEEE International Conference on Com- puter Vision.Venice,Italy,2017:4058-4067 [20]SU Shuochen,DELBRACIO M,WANG Jue,et al.Deep video deblurring for hand-held cameras[C]//Proceedings of 2017 IEEE Conference on Computer Vision and Pat- tern Recognition.Honolulu,USA,2017:237-246. 郑顾平，教授，博士，主要研究方 [21]ISOLA P,ZHU Junyan,ZHOU Tinghui,et al.Image-to- 向为图像处理、人工智能、大数据分 析。发表学术论文50余篇。 image translation with conditional adversarial networks[C]//Proceedings of 2017 IEEE Conference on Computer Vision and Pattern Recognition.Honolulu, USA,2017:5967-5976 新书介绍：联邦学习 在当前大数据驱动的社会环境下，数据隐私安全成为了全民探讨的重要议题。信息技术的发展，离不开 由我们在智能终端（手机及其他设备等）上产生或推断出的个人数据，如浏览习惯、点击频次等，来推动个性 化应用和服务的发展。尤其在AI领域，这一情况更为明显，依赖于持续的数据感知、收集，并上传至服务端 进行深度分析与训练，AI才能迎来蓬勃发展。但底层未经审查、不透明的数据收集和聚合协议，很可能造成 严重的数据安全威胁和隐私风险。 要解决这样的困境，仅仅靠传统的机器学习方法已经出现瓶颈。我们需要一个既满足隐私保护和数据 安全，又可实施的解决方案一一联邦学习。联邦学习希望做到各个企业的自有数据不出本地，而联邦系统 可以通过加密机制下的参数交换方式，即在不违反数据隐私法规情况下，建立一个虚拟的共有模型。这个 虚拟模型就好像大家把数据聚合在一起建立的最优模型一样。但是在建立虚拟模型的时候，数据本身不移 动，也不泄露隐私和影响数据合规，也就是“数据不动，模型动”。这样，建好的模型在各自的区域仅为本地 的目标服务。在这样一个联邦机制下，各个参与者的身份和地位相同，而联邦系统帮助大家建立了“共同富 裕”的策略，也就是“风险不增，效益增”。这就是为什么这个体系叫做“联邦学习”。 首部全面、系统论述联邦学习的中文著作《联邦学习》可以作为广大学习者入门和探究联邦学习的第 一本书。本书由杨强教授及其团队撰写，详细描述了联邦学习如何将分布式机器学习、密码学、基于金融规 则的激励机制和博弈论结合起来，以解决分散数据的使用问题。介绍不同种类的面向隐私保护的机器学习 解决方案以及技术背景，并描述一些典型的实际问题解决案例。training of Wasserstein GANs[C]//Proceedings of 31st Annual Conference on Neural Information Processing Systems. Long Beach, USA, 2017: 5769−5779. JOHNSON J, ALAHI A, LI Feifei. Perceptual losses for real-time style transfer and super-resolution[C]//Proceed￾ings of the 14th European Conference on Computer Vis￾ion. Amsterdam, The Netherlands, 2016: 694−711. [18] KIM T H, LEE K M, SCHÖLKOPF B, et al. Online video debl￾urring via dynamic temporal blending network[C]//Pro￾ceedings of 2017 IEEE International Conference on Com￾puter Vision. Venice, Italy, 2017: 4058−4067. [19] SU Shuochen, DELBRACIO M, WANG Jue, et al. Deep video deblurring for hand-held cameras[C]//Proceedings of 2017 IEEE Conference on Computer Vision and Pat￾tern Recognition. Honolulu, USA, 2017: 237−246. [20] ISOLA P, ZHU Junyan, ZHOU Tinghui, et al. Image-to￾image translation with conditional adversarial networks[C]//Proceedings of 2017 IEEE Conference on Computer Vision and Pattern Recognition. Honolulu, USA, 2017: 5967−5976. [21] 作者简介： 曹锦纲，博士研究生，主要研究方 向为图像处理和模式识别。发表学术 论文 10 余篇。 李金华，硕士研究生，主要研究方 向为图像处理和人工智能。 郑顾平，教授，博士，主要研究方 向为图像处理、人工智能、大数据分 析。发表学术论文 50 余篇。 新书介绍：联邦学习 在当前大数据驱动的社会环境下，数据隐私安全成为了全民探讨的重要议题。信息技术的发展，离不开 由我们在智能终端（手机及其他设备等）上产生或推断出的个人数据，如浏览习惯、点击频次等，来推动个性 化应用和服务的发展。尤其在 AI 领域，这一情况更为明显，依赖于持续的数据感知、收集，并上传至服务端 进行深度分析与训练，AI 才能迎来蓬勃发展。但底层未经审查、不透明的数据收集和聚合协议，很可能造成 严重的数据安全威胁和隐私风险。 要解决这样的困境，仅仅靠传统的机器学习方法已经出现瓶颈。我们需要一个既满足隐私保护和数据 安全，又可实施的解决方案——联邦学习。联邦学习希望做到各个企业的自有数据不出本地，而联邦系统 可以通过加密机制下的参数交换方式，即在不违反数据隐私法规情况下，建立一个虚拟的共有模型。这个 虚拟模型就好像大家把数据聚合在一起建立的最优模型一样。但是在建立虚拟模型的时候，数据本身不移 动，也不泄露隐私和影响数据合规，也就是“数据不动，模型动”。这样，建好的模型在各自的区域仅为本地 的目标服务。在这样一个联邦机制下，各个参与者的身份和地位相同，而联邦系统帮助大家建立了“共同富 裕”的策略，也就是“风险不增，效益增”。这就是为什么这个体系叫做“联邦学习”。 首部全面、系统论述联邦学习的中文著作《联邦学习》可以作为广大学习者入门和探究联邦学习的第 一本书。本书由杨强教授及其团队撰写，详细描述了联邦学习如何将分布式机器学习、密码学、基于金融规 则的激励机制和博弈论结合起来，以解决分散数据的使用问题。介绍不同种类的面向隐私保护的机器学习 解决方案以及技术背景，并描述一些典型的实际问题解决案例。 ·498· 智 能 系 统 学 报 第 15 卷