本仓库为《Federated Learning: A Comprehensive Overview of Methods and Application》一书的翻译
英文版地址：Federated Learning: A Comprehensive Overview of Methods and Applications | SpringerLink
《联邦学习： 方法和应用的全面概述》对研究人员和从业人员提供了对联邦学习中的最重要问题和方法进行了深入讨论。
联邦学习（FL）是一种机器学习的方法，其中的训练数据不被集中管理。数据由参与FL过程的数据方保留，不与任何其他实体共享。这使得FL成为机器学习任务中越来越受欢迎的解决方案，对于这些任务来说，无论是出于隐私、监管还是实际的原因，将数据集中到一个集中的存储库中是有问题的。
本书解释了联邦学习（FL）的最新研究进展和最先进的发展，从该领域的最初概念到首次应用和商业使用。为了获得这一广泛而深刻的概述，领先的研究人员讨论了联邦学习的不同视角：核心机器学习视角、隐私和安全、分布式系统和特定的应用领域。读者可以了解到这些领域所面临的挑战，它们是如何相互关联的，以及如何用最先进的方法来解决这些问题。
在引言中对联合学习的基础知识进行了概述，在接下来的24章中，读者将深入了解各种主题。第一部分讨论了以联邦方式解决不同机器学习任务的算法问题，以及如何有效地、大规模地、公平地进行训练。另一部分侧重于明确如何选择隐私和安全解决方案，以适应特定的用例，而另一部分则考虑联邦学习过程将运行的系统的实用性。本书还涵盖了联邦学习的其他重要用例，如分割学习和垂直联邦学习。最后，本书还包括一些专注于在现实世界企业环境中应用FL的章节。
-
第七章机器翻译和整理
-
第九章整理和初次校对