Federated Learning: Privacy and Incentive

این کتاب مقدمه ای جامع و مستقل از یادگیری فدرال را ارائه می دهد، از دانش پایه و نظریه ها گرفته تا کاربردهای کلیدی مختلف.

مسائل حریم خصوصی و مشوق محور این کتاب است. این به موقع است زیرا یادگیری فدرال پس از انتشار مقررات حفاظت از داده های عمومی (GDPR) رایج شده است. از آنجایی که هدف یادگیری فدرال این است که یک مدل ماشین را قادر سازد تا به طور مشترک آموزش داده شود بدون اینکه هر یک از طرفین داده های خصوصی را در معرض دید دیگران قرار دهند. این تنظیم به الزامات نظارتی حفاظت از حریم خصوصی داده‌ها مانند GDPR پایبند است.

این کتاب شامل سه بخش اصلی است. در مرحله اول، روش‌های مختلف حفظ حریم خصوصی را برای محافظت از یک مدل یادگیری فدرال در برابر انواع مختلف حملات مانند نشت داده‌ها و/یا مسمومیت داده‌ها معرفی می‌کند. ثانیاً، کتاب مکانیسم‌های تشویقی را ارائه می‌کند که هدف آن تشویق افراد به مشارکت در اکوسیستم‌های یادگیری فدرال است. آخرین اما نه کم‌اهمیت، این کتاب همچنین توضیح می‌دهد که چگونه یادگیری فدرال می‌تواند در صنعت و تجارت برای رسیدگی به مشکلات مربوط به سیلو داده‌ها و حفظ حریم خصوصی استفاده شود. این کتاب برای خوانندگانی از دانشگاه و صنعت در نظر گرفته شده است که مایلند در مورد یادگیری فدرال بیاموزند، اجرای آن را تمرین کنند و آن را در تجارت خود به کار ببرند. انتظار می رود که خوانندگان درک اولیه ای از جبر خطی، حساب دیفرانسیل و انتگرال و شبکه عصبی داشته باشند. علاوه بر این، دانش دامنه در فین‌تک و بازاریابی مفید خواهد بود.»

This book provides a comprehensive and self-contained introduction to federated learning, ranging from the basic knowledge and theories to various key applications.

Privacy and incentive issues are the focus of this book. It is timely as federated learning is becoming popular after the release of the General Data Protection Regulation (GDPR). Since federated learning aims to enable a machine model to be collaboratively trained without each party exposing private data to others. This setting adheres to regulatory requirements of data privacy protection such as GDPR.

This book contains three main parts. Firstly, it introduces different privacy-preserving methods for protecting a federated learning model against different types of attacks such as data leakage and/or data poisoning. Secondly, the book presents incentive mechanisms which aim to encourage individuals to participate in the federated learning ecosystems. Last but not least, this book also describes how federated learning can be applied in industry and business to address data silo and privacy-preserving problems. The book is intended for readers from both the academia and the industry, who would like to learn about federated learning, practice its implementation, and apply it in their own business. Readers are expected to have some basic understanding of linear algebra, calculus, and neural network. Additionally, domain knowledge in FinTech and marketing would be helpful.”