"本书内容已经外聘专家和清华大学党委审读审核通过（清委文[2025]52号）后同意安排出版。 在大数据时代，数据孤岛问题严重阻碍了数据共享与人工智能应用的发展。联邦学习作为一种隐私保护的机器学习范式，允许各机构在不泄露本地数据的前提下协同训练全局模型，有效挖掘分散数据并降低泄露风险，推动了人工智能在各领域的应用。本书全面介绍了联邦学习的核心概念与关键技术，涵盖基础知识、隐私安全、个性化学习、贡献度评估、与大模型的关系、拜占庭问题及实际应用案例。 本书将帮助读者深入理解并掌握联邦学习这一前沿领域的理论与实践，适合作为计算机科学、人工智能和机器学习等专业的教材，也可供大数据和AI应用开发的工程师参考。"

"韩宇星，清华大学深圳国际研究生院长聘副教授、博士生导师。近5年发表SCI源刊论文50余篇。长期从事联邦学习的教学和科研工作，讲授“联邦学习”等课程。主持多项国家级、省部级项目，荣获多项省部级奖励。杨强，加拿大工程院及加拿大皇家学院院士，香港理工大学人工智能高等研究院院长，香港科技大学荣休教授，微众银行首席人工智能官（荣休），AAAI-2021大会主席，国际人工智能联合会理事会前主席，中国人工智能学会常务副理事长。长期从事联邦学习和迁移学习的教学和科研工作。近5年发表SCI源刊论文百余篇。获2017年ACM SIGKDD杰出服务奖及2023年IJCAI Donald E.Walker杰出服务奖。出版《迁移学习》、《联邦学习》、《隐私计算》和《联邦学习实战》等著作。"

前言 在人工智能时代，各组织和机构积累了海量的数据，然而由于竞争、商业机密和隐私保护等因素，这些数据往往难以共享，形成了明显的数据孤岛现象。这种孤岛不仅限制了数据的有效利用，还阻碍了人工智能模型的训练和优化，导致算法性能的提升受到制约。 与此同时，随着全球对数据隐私的重视，一系列数据隐私法案相继出台，如欧盟的《通用数据保护条例》（GDPR）和美国的《加利福尼亚州消费者隐私法案》（CCPA）。这些法规要求企业在处理个人数据时必须遵循严格的隐私保护标准，确保用户的同意和数据的安全。这使得传统的集中式数据处理方法面临诸多合规风险，企业对用户数据的使用受到限制。 为了解决数据共享的难题，研究人员开始寻求一种新的方法，以便在不需要将所有数据集中到一个中心存储点的情况下训练机器学习模型。一种可行的方法是：各个拥有数据源的机构利用自身的数据独立训练一个模型，随后各机构的模型间进行信息交换，最终通过模型聚合得到一个全局模型。为了确保用户隐私和数据安全，精心设计各机构之间交换模型信息的过程，确保没有任何机构能够推断出其他机构的隐私数据内容。同时，在构建全局模型时，使其效果与集中式训练的模型几乎一致。这便是联邦学习（Federated Learning，FL）提出的动机和核心思想。 联邦学习是一种利用分散在各参与方的数据集，通过隐私保护技术融合多方数据信息，协同构建全局模型的分布式训练范式。在模型训练过程中，模型参数、模型结构、参数梯度等相关信息可以在参与方之间进行交换（可以通过明文、数据加密或添加噪声等方式）。然而，本地训练数据始终留在本地，确保用户数据的隐私不受威胁。这种机制极大地...