4.5
用户推荐指数
计算机 类型
7.1 豆瓣评分
可以朗读 语音朗读
238千字 字数
2021-05-01 发行日期
展开全部

主编推荐语

涵盖了联邦学习落地的一手应用案例。

内容简介

数据孤岛和隐私保护已经成为制约人工智能发展的关键因素。联邦学习作为一种新型的隐私保护计算方案，在数据不出本地的前提下，能有效联合各参与方联合建模，从而实现“共同富裕”，成为当下人工智能领域备受关注的热点。

本书以实战为主（包括对应用案例的深入讲解和代码分析），兼顾对理论知识的系统总结。

全书由五部分共19章构成。第一部分简要介绍了联邦学习的理论知识；第二部分介绍如何使用Python和FATE进行简单的联邦学习建模；第三部分是联邦学习的案例分析，筛选了经典案例进行讲解，部分案例用Python代码实现，部分案例采用FATE实现；第四部分主要介绍和联邦学习相关的高级知识点，包括联邦学习的架构和训练的加速方法等；第五部分是回顾与展望。

本书适合对联邦学习和隐私保护感兴趣的高校研究者、企业研发人员阅读。

目录

  • 版权信息
  • 内容简介
  • Acknowledgments 致谢
  • Preface 前言
  • 第一部分 联邦学习基础
  • CHAPTER 1 联邦学习概述
  • 1.1 数据资产的重要性
  • 1.2 联邦学习提出的背景
  • 1.3 联邦学习的定义
  • 1.4 联邦学习的分类
  • 1.5 联邦学习算法现状
  • CHAPTER 2 联邦学习的安全机制
  • 2.1 基于同态加密的安全机制
  • 2.2 基于差分隐私的安全机制
  • 2.3 基于安全多方计算的安全机制
  • 2.4 安全机制的性能效率对比
  • 2.5 基于Python的安全计算库
  • 第二部分 联邦学习快速入门
  • CHAPTER 3 用Python从零实现横向联邦图像分类
  • 3.1 环境配置
  • 3.2 PyTorch基础
  • 3.3 用Python实现横向联邦图像分类
  • 3.4 联邦训练的模型效果
  • CHAPTER 4 微众银行FATE平台
  • 4.1 FATE平台架构概述
  • 4.2 FATE安装与部署
  • 4.3 FATE编程范式
  • 4.4 FATE应用案例
  • CHAPTER 5 用FATE从零实现横向逻辑回归
  • 5.1 数据集的获取与描述
  • 5.2 逻辑回归
  • 5.3 横向数据集切分
  • 5.4 横向联邦模型训练
  • 5.5 多参与方环境配置
  • CHAPTER 6 用FATE从零实现纵向线性回归
  • 6.1 数据集的获取与描述
  • 6.2 纵向数据集切分
  • 6.3 纵向联邦训练
  • CHAPTER 7 联邦学习实战资源
  • 7.1 FATE帮助文档
  • 7.2 本书配套的代码
  • 7.3 其他联邦学习平台
  • 第三部分 联邦学习案例实战详解
  • CHAPTER 8 联邦学习在金融保险领域的应用案例
  • 8.1 概述
  • 8.2 基于纵向联邦学习的保险个性化定价案例
  • 8.3 基于横向联邦的银行间反洗钱模型案例
  • 8.4 金融领域的联邦建模难点
  • CHAPTER 9 联邦个性化推荐案例
  • 9.1 传统的集中式个性化推荐
  • 9.2 联邦矩阵分解
  • 9.3 联邦因子分解机
  • 9.4 其他联邦推荐算法
  • 9.5 联邦推荐云服务使用
  • CHAPTER 10 联邦学习视觉案例
  • 10.1 概述
  • 10.2 案例描述
  • 10.3 目标检测算法概述
  • 10.4 基于联邦学习的目标检测网络
  • 10.5 方法实现
  • CHAPTER 11 联邦学习在智能物联网中的应用案例
  • 11.1 案例的背景与动机
  • 11.2 历史数据分析
  • 11.3 出行时间预测模型
  • 11.4 联邦学习实现
  • CHAPTER 12 联邦学习医疗健康应用案例
  • 12.1 医疗健康数据概述
  • 12.2 联邦医疗大数据与脑卒中预测
  • 12.3 联邦学习在医疗影像中的应用
  • CHAPTER 13 联邦学习智能用工案例
  • 13.1 智能用工简介
  • 13.2 智能用工平台
  • 13.3 利用横向联邦提升智能用工模型
  • 13.4 设计联邦激励机制，提升联邦学习系统的可持续性
  • 13.5 系统设置
  • CHAPTER 14 构建公平的大数据交易市场
  • 14.1 大数据交易
  • 14.2 基于联邦学习构建新一代大数据交易市场
  • 14.3 联邦学习激励机制助力数据交易
  • 14.4 联邦学习激励机制的问题描述
  • 14.5 FedCoin支付系统设计
  • 14.6 FedCoin的安全分析
  • 14.7 实例演示
  • CHAPTER 15 联邦学习攻防实战
  • 15.1 后门攻击
  • 15.2 差分隐私
  • 15.3 模型压缩
  • 15.4 同态加密
  • 第四部分 联邦学习进阶
  • CHAPTER 16 联邦学习系统的通信机制
  • 16.1 联邦学习系统架构
  • 16.2 网络通信协议简介
  • 16.3 基于socket的通信机制
  • 16.4 基于RPC的通信机制
  • 16.5 基于RMI的通信机制
  • 16.6 基于MPI的通信机制
  • 16.7 本章小结
  • CHAPTER 17 联邦学习加速方法
  • 17.1 同步参数更新的加速方法
  • 17.2 异步参数更新的加速方法
  • 17.3 基于模型集成的加速方法
  • 17.4 硬件加速
  • CHAPTER 18 联邦学习与其他前沿技术
  • 18.1 联邦学习与Split Learning
  • 18.2 联邦学习与区块链
  • 18.3 联邦学习与边缘计算
  • 第五部分 回顾与展望
  • CHAPTER 19 总结与展望
  • 19.1 联邦学习进展总结
  • 19.2 未来展望
  • Bibliography 参考文献
展开全部

评分及书评

4.5
4个评分
  • 用户头像
    给这本书评了
    5.0
    专业性很强

    亲自做过一两年相关工作，所以懂得里面的内容十分专业且实用。作为有代码的一本书，篇幅不算大，而且干货满满。有一些排版上的问题，还有几处明显的 typo 无伤大雅，书中的链接倒是都被丢掉了。然后我再说说内容，里面的每一章都是言之有物的，比如其中代表多方计算的百万英镑问题，两个富豪，想知道谁更有钱，但又不想告诉对方自己有多少钱，如何比较。我对 FATE 框架的设计还是有所保留的，虽然很适合作为联邦学习平台来使用，适合商用，而且逐步尽善尽美了，但是对于新手来说，要么啥都学不到，要么不太好部署。我希望可以做得再轻一点。最后，杨强大佬的团队在这方面的水平是首屈一指的，这本的内容也比上一本科普的强很多，希望能够出更多好书。

      转发
      评论

    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。