推荐序

科技是第一生产力，每一次新技术的出现都会带来生产力的进步，甚至进一步引发产业变革。但是，新技术的理论与生产实践之间存在鸿沟，跨越这条鸿沟是需要大量的探索实践才可能实现的。无论是当下的5G、区块链和人工智能，还是量子通信、量子计算、自动驾驶等探索中的技术，无不依赖于前赴后继的产业人去探寻实践道路。

联邦学习作为近几年新生的数据安全共享技术，在“数据孤岛”的情境下有用武之地。飞速发展的信息化技术使得政府、企业积累了大量的数据信息，这些数据信息对于构建社会信用体系、提升用户服务质量具有重要作用。但是这些数据信息往往因涉及用户隐私问题，导致流转障碍，形成了“数据孤岛”状态，不能满足国家培育数据要素市场的需求。同时，处于移动互联网这个大背景下，用户的各种行为（例如，消费、社交、娱乐等）都发生着深刻的变化，用户越来越多的信息在线上化，同时也在数据化。

作为行业从业者，我们所面对的挑战是大量用户仍然没有被传统金融机构的服务所覆盖，对于需要金融服务的用户来说，其信息搜集困难、信息不健全，大量的“数据孤岛”使得用户的分析犹如盲人摸象。同时，很多不良企业为了自己的业绩和利润，铤而走险，非法获取和传播用户的个人隐私数据，造成了大量用户信息的泄露。对此，监管部门重拳出击，整顿市场。联邦学习为监管、市场提供了一种可能的技术化解决方案。我们可以借助其技术特点，让数据可用不可见、隐私数据不出库，构建基于隐私计算的联邦学习模型，全面地评估用户的风险水平，既保证了用户的隐私安全，又防止了数据的泄露。我们如果能够合理地使用该技术，持续挖掘其潜在价值，那么能为我国的数字经济发展提供有益的帮助。

在金融科技等产业化应用中，该技术的理论门槛相对较高，涉及密码学、算法、工程等多项内容，市场上的相关技术和研究资料较少，导致企业在产业实践中常常遇到难以解决的问题，需要花费较长时间。

本书全面地介绍了联邦学习的技术原理，突出案例应用和实践经验，对联邦学习产业应用具有较大的参考价值。

京东集团副总裁、京东科技集团风险管理中心负责人

程建波

2021年2月