科技
类型
可以朗读
语音朗读
233千字
字数
2021-03-01
发行日期
展开全部
主编推荐语
本书针对产业界在智能化过程中普遍面临的数据不足问题，详细地阐述了联邦学习如何帮助企业引入更多数据、提升机器学习模型效果。
内容简介
互联网数据一般分布在不同的位置，受隐私保护法规限制不能共享，形成了“数据孤岛”。
联邦学习像“数据孤岛”之间的特殊桥梁，通过传输变换后的临时变量，既能实现模型效果提升，又能确保隐私信息的安全。
本书介绍了联邦学习技术的原理和实战经验，主要内容包括隐私保护、机器学习等基础知识，联邦求交、联邦特征工程算法，三种常见的联邦形式，以及工程架构、产业案例、数据资产定价等。
目录
- 版权信息
- 内容简介
- 推荐序
- 前言
- 第1章 联邦学习的研究与发展现状
- 1.1 联邦学习的背景
- 1.2 大数据时代的挑战：数据孤岛
- 1.2.1 “数据孤岛”的成因
- 1.2.2 具体实例
- 1.2.3 数据互联的发展与困境
- 1.2.4 解决“数据孤岛”问题的难点与联邦学习的优势
- 1.3 联邦学习的定义和基本术语
- 1.3.1 联邦学习的定义
- 1.3.2 联邦学习的基本术语
- 1.4 联邦学习的分类及适用范围
- 1.4.1 纵向联邦学习
- 1.4.2 横向联邦学习
- 1.4.3 联邦迁移学习
- 1.5 典型的联邦学习生命周期
- 1.5.1 模型训练
- 1.5.2 在线推理
- 1.6 联邦学习的安全性与可靠性
- 1.6.1 安全多方计算
- 1.6.2 差分隐私
- 1.6.3 同态加密
- 1.6.4 应对攻击的健壮性
- 1.7 阅读材料
- 第2章 多方计算与隐私保护
- 2.1 多方计算
- 2.2 基本假设与隐私保护技术
- 2.2.1 安全模型
- 2.2.2 隐私保护的目标
- 2.2.3 三种隐私保护技术及其关系
- 2.3 差分隐私
- 2.3.1 差分隐私的基本概念
- 2.3.2 差分隐私的性质
- 2.3.3 差分隐私在联邦学习中的应用
- 2.4 同态加密
- 2.4.1 密码学简介
- 2.4.2 同态加密算法的优势
- 2.4.3 半同态加密算法
- 2.4.4 全同态加密算法
- 2.4.5 半同态加密算法在联邦学习中的应用
- 2.5 安全多方计算
- 2.5.1 百万富翁问题
- 2.5.2 安全多方计算中的密码协议
- 2.5.3 安全多方计算在联邦学习中的应用
- 第3章 传统机器学习
- 3.1 统计机器学习的简介
- 3.1.1 统计机器学习的概念
- 3.1.2 数据结构与术语
- 3.1.3 机器学习算法示例
- 3.2 分布式机器学习的简介
- 3.2.1 分布式机器学习的背景
- 3.2.2 分布式机器学习的并行模式
- 3.2.3 分布式机器学习对比联邦学习
- 3.3 特征工程
- 3.3.1 错误及缺失处理
- 3.3.2 数据类型
- 3.3.3 特征工程方法
- 3.4 最优化算法
- 3.4.1 最优化问题
- 3.4.2 解析方法
- 3.4.3 一阶优化算法
- 3.4.4 二阶优化算法
- 3.5 模型效果评估
- 3.5.1 效果评估方法
- 3.5.2 效果评估指标
- 第4章 联邦交集计算
- 4.1 联邦交集计算介绍
- 4.1.1 基于公钥加密体制的方法
- 4.1.2 基于混乱电路的方法
- 4.1.3 基于不经意传输协议的方法
- 4.1.4 其他方法
- 4.2 联邦交集计算在联邦学习中的应用
- 4.2.1 实体解析与纵向联邦学习
- 4.2.2 非对称纵向联邦学习
- 4.2.3 联邦特征匹配
- 第5章 联邦特征工程
- 5.1 联邦特征工程概述
- 5.1.1 联邦特征工程的特点
- 5.1.2 传统特征工程和联邦特征工程的对比
- 5.2 联邦特征优化
- 5.2.1 联邦特征评估
- 5.2.2 联邦特征处理
- 5.2.3 联邦特征降维
- 5.2.4 联邦特征组合
- 5.2.5 联邦特征嵌入
- 5.3 联邦单变量分析
- 5.3.1 联邦单变量基础分析
- 5.3.2 联邦WOE和IV计算
- 5.3.3 联邦PSI和CSI计算
- 5.3.4 联邦KS和LIFT计算
- 5.4 联邦自动特征工程
- 5.4.1 联邦超参数优化
- 5.4.2 联邦超频优化
- 5.4.3 联邦神经结构搜索
- 第6章 纵向联邦学习
- 6.1 基本假设及定义
- 6.2 纵向联邦学习的架构
- 6.3 联邦逻辑回归
- 6.4 联邦随机森林
- 6.5 联邦梯度提升树
- 6.5.1 XGBoost简介
- 6.5.2 SecureBoost简介
- 6.5.3 SecureBoost训练
- 6.5.4 SecureBoost推理
- 6.6 联邦学习深度神经网络
- 6.7 纵向联邦学习案例
- 第7章 横向联邦学习
- 7.1 基本假设与定义
- 7.2 横向联邦网络架构
- 7.2.1 中心化架构
- 7.2.2 去中心化架构
- 7.3 联邦平均算法概述
- 7.3.1 在横向联邦学习中优化问题的一些特点
- 7.3.2 联邦平均算法
- 7.3.3 安全的联邦平均算法
- 7.4 横向联邦学习应用于输入法
- 第8章 联邦迁移学习
- 8.1 基本假设与定义
- 8.1.1 迁移学习的现状
- 8.1.2 图像中级特征的迁移
- 8.1.3 从文本分类到图像分类的迁移
- 8.1.4 联邦迁移学习的提出
- 8.2 联邦迁移学习架构
- 8.3 联邦迁移学习方法
- 8.3.1 多项式近似
- 8.3.2 加法同态加密
- 8.3.3 ABY
- 8.3.4 SPDZ
- 8.3.5 基于加法同态加密进行安全训练和预测
- 8.3.6 基于ABY和SPDZ进行安全训练
- 8.3.7 性能分析
- 8.4 联邦迁移学习案例
- 8.4.1 应用场景
- 8.4.2 联邦迁移强化学习
- 8.4.3 迁移学习的补充阅读材料
- 第9章 联邦学习架构揭秘与优化实战
- 9.1 常见的分布式机器学习架构介绍
- 9.2 联邦学习开源框架介绍
- 9.2.1 TensorFlow Federated
- 9.2.2 FATE框架
- 9.2.3 其他开源框架
- 9.3 训练服务架构揭秘
- 9.4 推理架构揭秘
- 9.5 调优案例分析
- 9.5.1 特征工程调优
- 9.5.2 训练过程的通信过程调优
- 9.5.3 加密的密钥长度
- 9.5.4 隐私数据集求交集过程优化
- 9.5.5 服务器资源优化
- 9.5.6 推理服务优化
- 第10章 联邦学习的产业案例
- 10.1 医疗健康
- 10.1.1 患者死亡可能性预测
- 10.1.2 医疗保健
- 10.1.3 联邦学习在医疗领域中的其他应用
- 10.2 金融产品的广告投放
- 10.3 金融风控
- 10.3.1 数据方之间的联邦学习
- 10.3.2 数据方与金融机构之间的联邦学习
- 10.4 其他应用
- 10.4.1 联邦学习应用于推荐领域
- 10.4.2 联邦学习与无人机
- 10.4.3 联邦学习与新型冠状病毒肺炎监测
- 第11章 数据资产定价与激励机制
- 11.1 数据资产的相关概念及特点
- 11.1.1 大数据时代背景
- 11.1.2 数据资产的定义
- 11.1.3 数据资产的特点
- 11.1.4 数据市场
- 11.2 数据资产价值的评估与定价
- 11.2.1 数据资产价值的主要影响因素
- 11.2.2 数据资产价值的评估方案
- 11.2.3 数据资产的定价方案
- 11.3 激励机制
- 11.3.1 贡献度量化方案
- 11.3.2 收益分配方案
- 11.3.3 数据资产定价与激励机制的关系
- 第12章 联邦学习面临的挑战和可扩展性
- 12.1 联邦学习面临的挑战
- 12.1.1 通信与数据压缩
- 12.1.2 保护用户隐私数据
- 12.1.3 联邦学习优化
- 12.1.4 模型的鲁棒性
- 12.1.5 联邦学习的公平性
- 12.2 联邦学习与区块链结合
- 12.2.1 王牌技术
- 12.2.2 可信媒介
- 12.2.3 对比异同
- 12.2.4 强强联合
- 12.3 联邦学习与其他技术结合
- 参考文献
展开全部
评分及书评
尚无评分
目前还没人评分
出版方
电子工业出版社
电子工业出版社成立于1982年10月，是国务院独资、工信部直属的中央级科技与教育出版社，是专业的信息技术知识集成和服务提供商。经过三十多年的建设与发展，已成为一家以科技和教育出版、期刊、网络、行业支撑服务、数字出版、软件研发、软科学研究、职业培训和教育为核心业务的现代知识服务集团。出版物内容涵盖了电子信息技术的各个分支及工业技术、经济管理、科普与少儿、社科人文等领域，综合出版能力位居全国出版行业前列。
