聯邦學習技術及實戰(zhàn)（全彩）

定　價：￥106.00

作　者：	彭南博，王虎等著
出版社：	電子工業(yè)出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

ISBN：	9787121405976	出版時間：	2021-03-01	包裝：	平裝
開本：	16開	頁數：	340	字數：

內容簡介

　　本書針對產業(yè)界在智能化過程中普遍面臨的數據不足問題，詳細地闡述了聯邦學習如何幫助企業(yè)引入更多數據、提升機器學習模型效果?；ヂ摼W數據一般分布在不同的位置，受隱私保護法規(guī)限制不能共享，形成了“數據孤島”。聯邦學習像“數據孤島”之間的特殊橋梁，通過傳輸變換后的臨時變量，既能實現模型效果提升，又能確保隱私信息的安全。本書介紹了聯邦學習技術的原理和實戰(zhàn)經驗，主要內容包括隱私保護、機器學習等基礎知識，聯邦求交、聯邦特征工程算法，三種常見的聯邦形式，以及工程架構、產業(yè)案例、數據資產定價等。

作者簡介

　　彭南博，京東科技集團風險管理中心總監(jiān)，在人工智能算法、風控模型等領域具有豐富的實踐經驗。他負責風險智能模型技術布局和業(yè)務落地，建立了數據、算法、工程三位一體的大數據應用體系。在聯邦學習應用實踐中，他領導團隊研發(fā)聯邦學習技術和產品，為風險業(yè)務建立了基于聯邦學習的模型工程架構、模型管理體系、模型監(jiān)控體系。他于2012年在中國科學院大學獲得博士學位，先后參與三項國家基金項目，發(fā)表期刊和會議論文10余篇，申請專利70余項。王虎，京東科技集團風險管理中心算法科學家，在機器學習和數據挖掘領域具有豐富的產業(yè)應用經驗。他負責風險場景的模型研發(fā)，針對風險數據孤島問題，調研并論證聯邦學習技術的可行性，完成了從0到1的聯邦風控應用創(chuàng)新，負責聯邦組網過程中的算法研發(fā)和模型優(yōu)化。他于2012年在中國科學院大學獲得博士學位，其后負責并完成了藥物副作用挖掘、電力銷量預測、駕駛員狀態(tài)分析、基于穿戴式醫(yī)療設備的健康評估等機器學習項目。

圖書目錄

第1章 / 聯邦學習的研究與發(fā)展現狀
1.1 聯邦學習的背景
1.2 大數據時代的挑戰(zhàn)：數據孤島
1.2.1 “數據孤島”的成因
1.2.2 具體實例
1.2.3 數據互聯的發(fā)展與困境
1.2.4 解決“數據孤島”問題的難點與聯邦學習的優(yōu)勢
1.3 聯邦學習的定義和基本術語
1.3.1 聯邦學習的定義
1.3.2 聯邦學習的基本術語
1.4 聯邦學習的分類及適用范圍
1.4.1 縱向聯邦學習
1.4.2 橫向聯邦學習
1.4.3 聯邦遷移學習
1.5 典型的聯邦學習生命周期
1.5.1 模型訓練
1.5.2 在線推理
1.6 聯邦學習的安全性與可靠性
1.6.1 安全多方計算
1.6.2 差分隱私
1.6.3 同態(tài)加密
1.6.4 應對攻擊的健壯性
第2章 / 多方計算與隱私保護
2.1 多方計算
2.2 基本假設與隱私保護技術
2.2.1 安全模型
2.2.2 隱私保護的目標
2.2.3 三種隱私保護技術及其關系
2.3 差分隱私
2.3.1 差分隱私的基本概念
2.3.2 差分隱私的性質
2.3.3 差分隱私在聯邦學習中的應用
2.4 同態(tài)加密
2.4.1 密碼學簡介
2.4.2 同態(tài)加密算法的優(yōu)勢
2.4.3 半同態(tài)加密算法
2.4.4 全同態(tài)加密算法
2.4.5 半同態(tài)加密算法在聯邦學習中的應用
2.5 安全多方計算
2.5.1 百萬富翁問題
2.5.2 安全多方計算中的密碼協(xié)議
2.5.3 安全多方計算在聯邦學習中的應用
第3章 / 傳統(tǒng)機器學習
3.1 統(tǒng)計機器學習的簡介
3.1.1 統(tǒng)計機器學習的概念
3.1.2 數據結構與術語
3.1.3 機器學習算法示例
3.2 分布式機器學習的簡介
3.2.1 分布式機器學習的背景
3.2.2 分布式機器學習的并行模式
3.2.3 分布式機器學習對比聯邦學習
3.3 特征工程
3.3.1 錯誤及缺失處理
3.3.2 數據類型
3.3.3 特征工程方法
3.4 最優(yōu)化算法
3.4.1 最優(yōu)化問題
3.4.2 解析方法
3.4.3 一階優(yōu)化算法
3.4.4 二階優(yōu)化算法
3.5 模型效果評估
3.5.1 效果評估方法
3.5.2 效果評估指標
第4章 / 聯邦交集計算
4.1 聯邦交集計算介紹
4.1.1 基于公鑰加密體制的方法
4.1.2 基于混亂電路的方法
4.1.3 基于不經意傳輸協(xié)議的方法
4.1.4 其他方法
4.2 聯邦交集計算在聯邦學習中的應用
4.2.1 實體解析與縱向聯邦學習
4.2.2 非對稱縱向聯邦學習
4.2.3 聯邦特征匹配
第5章 / 聯邦特征工程
5.1 聯邦特征工程概述
5.1.1 聯邦特征工程的特點
5.1.2 傳統(tǒng)特征工程和聯邦特征工程的對比
5.2 聯邦特征優(yōu)化
5.2.1 聯邦特征評估
5.2.2 聯邦特征處理
5.2.3 聯邦特征降維
5.2.4 聯邦特征組合
5.2.5 聯邦特征嵌入
5.3 聯邦單變量分析
5.3.1 聯邦單變量基礎分析
5.3.2 聯邦WOE和IV計算
5.3.3 聯邦PSI和CSI計算
5.3.4 聯邦KS和LIFT計算
5.4 聯邦自動特征工程
5.4.1 聯邦超參數優(yōu)化
5.4.2 聯邦超頻優(yōu)化
5.4.3 聯邦神經結構搜索
第6章 / 縱向聯邦學習
6.1 基本假設及定義
6.2 縱向聯邦學習的架構
6.3 聯邦邏輯回歸
6.4 聯邦隨機森林
6.5 聯邦梯度提升樹
6.5.1 XGBoost簡介
6.5.2 SecureBoost簡介
6.5.3 SecureBoost訓練
6.5.4 SecureBoost推理
6.6 聯邦學習深度神經網絡
6.7 縱向聯邦學習案例
第7章 / 橫向聯邦學習
7.1 基本假設與定義
7.2 橫向聯邦網絡架構
7.2.1 中心化架構
7.2.2 去中心化架構
7.3 聯邦平均算法概述
7.3.1 在橫向聯邦學習中優(yōu)化問題的一些特點
7.3.2 聯邦平均算法
7.3.3 安全的聯邦平均算法
7.4 橫向聯邦學習應用于輸入法
第8章 / 聯邦遷移學習
8.1 基本假設與定義
8.1.1 遷移學習的現狀
8.1.2 圖像中級特征的遷移
8.1.3 從文本分類到圖像分類的遷移
8.1.4 聯邦遷移學習的提出
8.2 聯邦遷移學習架構
8.3 聯邦遷移學習方法
8.3.1 多項式近似
8.3.2 加法同態(tài)加密
8.3.3 ABY
8.3.4 SPDZ
8.3.5 基于加法同態(tài)加密進行安全訓練和預測
8.3.6 基于ABY和SPDZ進行安全訓練
8.3.7 性能分析
8.4 聯邦遷移學習案例
8.4.1 應用場景
8.4.2 聯邦遷移強化學習
8.4.3 遷移學習的補充閱讀材料
第9章 / 聯邦學習架構揭秘與優(yōu)化實戰(zhàn)
9.1 常見的分布式機器學習架構介紹
9.2 聯邦學習開源框架介紹
9.2.1 TensorFlow Federated
9.2.2 FATE框架
9.2.3 其他開源框架
9.3 訓練服務架構揭秘
9.4 推理架構揭秘
9.5 調優(yōu)案例分析
9.5.1 特征工程調優(yōu)
9.5.2 訓練過程的通信過程調優(yōu)
9.5.3 加密的密鑰長度
9.5.4 隱私數據集求交集過程優(yōu)化
9.5.5 服務器資源優(yōu)化
9.5.6 推理服務優(yōu)化
第10章 / 聯邦學習的產業(yè)案例
10.1 醫(yī)療健康
10.1.1 患者死亡可能性預測
10.1.2 醫(yī)療保健
10.1.3 聯邦學習在醫(yī)療領域中的其他應用
10.2 金融產品的廣告投放
10.3 金融風控
10.3.1 數據方之間的聯邦學習
10.3.2 數據方與金融機構之間的聯邦學習
10.4 其他應用
10.4.1 聯邦學習應用于推薦領域
10.4.2 聯邦學習與無人機
10.4.3 聯邦學習與新型冠狀病毒肺炎監(jiān)測
第11章 / 數據資產定價與激勵機制
11.1 數據資產的相關概念及特點
11.1.1 大數據時代背景
11.1.2 數據資產的定義
11.1.3 數據資產的特點
11.1.4 數據市場
11.2 數據資產價值的評估與定價
11.2.1 數據資產價值的主要影響因素
11.2.2 數據資產價值的評估方案
11.2.3 數據資產的定價方案
11.3 激勵機制
11.3.1 貢獻度量化方案
11.3.2 收益分配方案
11.3.3 數據資產定價與激勵機制的關系
第12章 / 聯邦學習面臨的挑戰(zhàn)和可擴展性
12.1 聯邦學習面臨的挑戰(zhàn)
12.1.1 通信與數據壓縮
12.1.2 保護用戶隱私數據
12.1.3 聯邦學習優(yōu)化
12.1.4 模型的魯棒性
12.1.5 聯邦學習的公平性
12.2 聯邦學習與區(qū)塊鏈結合
12.2.1 王牌技術
12.2.2 可信媒介
12.2.3 對比異同
12.2.4 強強聯合
12.3 聯邦學習與其他技術結合