聯(lián)邦學(xué)習(xí)：原理與算法

定　價(jià)：￥128.00

作　者：	王健宗，李澤遠(yuǎn)，何安珣，王偉著
出版社：	人民郵電出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購買這本書可以去

ISBN：	9787115575326	出版時(shí)間：	2021-11-01	包裝：	平裝
開本：	16開	頁數(shù)：	280	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　數(shù)據(jù)孤島問題已經(jīng)成為制約人工智能發(fā)展的主要阻礙。在此背景下，聯(lián)邦學(xué)習(xí)（Federated Learning）作為一種新興的機(jī)器學(xué)習(xí)技術(shù)范式，憑借其突出的隱私保護(hù)能力，展示出在諸多業(yè)務(wù)場(chǎng)景中的應(yīng)用價(jià)值。本書從聯(lián)邦學(xué)習(xí)的基礎(chǔ)知識(shí)出發(fā)，深入淺出地介紹了中央服務(wù)器優(yōu)化和聯(lián)邦機(jī)器學(xué)習(xí)的算法體系，詳細(xì)闡述了聯(lián)邦學(xué)習(xí)中涉及的加密通信模塊的相關(guān)知識(shí)，以定性和定量的雙視角建立了聯(lián)邦學(xué)習(xí)服務(wù)質(zhì)量的評(píng)估維度、理論體系，還延伸介紹了提升聯(lián)邦學(xué)習(xí)服務(wù)質(zhì)量的方法，并對(duì)聯(lián)邦學(xué)習(xí)的研究趨勢(shì)進(jìn)行了深入探討與分析，可以對(duì)設(shè)計(jì)和選擇算法提供工具式的參考和幫助。本書是高校、科研院所和業(yè)界相關(guān)學(xué)者研究聯(lián)邦學(xué)習(xí)技術(shù)的理想讀本，也適合大數(shù)據(jù)、人工智能行業(yè)的從業(yè)者和感興趣的讀者參考。

作者簡(jiǎn)介

　　王健宗博士，美國佛羅里達(dá)大學(xué)人工智能博士后，工程師，某大型金融集團(tuán)科技公司聯(lián)邦學(xué)習(xí)團(tuán)隊(duì)負(fù)責(zé)人，中國計(jì)算機(jī)學(xué)會(huì)杰出會(huì)員、大數(shù)據(jù)和量子計(jì)算專業(yè)委員會(huì)委員，長期從事聯(lián)邦學(xué)習(xí)、隱私計(jì)算技術(shù)研發(fā)和平臺(tái)搭建工作，在聯(lián)邦學(xué)習(xí)、人工智能、云計(jì)算、大數(shù)據(jù)等領(lǐng)域發(fā)表國際論文 50 余篇，出版《深入理解 AutoML 和 AutoDL）、《金融智能》等共四部作品。李澤遠(yuǎn)某大型金融集團(tuán)科技公司 Al 產(chǎn)品經(jīng)理，CCFYOCSEF 深圳 AC 委員，長期負(fù)責(zé) Al平臺(tái)的標(biāo)準(zhǔn)化產(chǎn)品設(shè)計(jì)，參與完成多項(xiàng)隱私計(jì)算產(chǎn)品在金融、醫(yī)療、政務(wù)場(chǎng)景中的交付落地，擁有豐富的實(shí)戰(zhàn)經(jīng)驗(yàn)。累計(jì)發(fā)表科研論文及申報(bào)專利數(shù)十篇項(xiàng)，出版作品3部。何安珣某頭部互聯(lián)網(wǎng)公司產(chǎn)品經(jīng)理。在金融科技領(lǐng)域深耕多年，在隱私計(jì)算領(lǐng)域生態(tài)建設(shè)、技術(shù)研究和架構(gòu)搭建等方面擁有豐富的經(jīng)驗(yàn)，致力于推動(dòng)隱私計(jì)算行業(yè)數(shù)字經(jīng)濟(jì)轉(zhuǎn)型。累計(jì)發(fā)表科研論文、申報(bào)專利數(shù)十篇項(xiàng)，參與業(yè)內(nèi)多項(xiàng)標(biāo)準(zhǔn)制定。王偉中國科學(xué)院信息工程研究所信息安全國家重點(diǎn)實(shí)驗(yàn)室助理研究員，信息安全博士，主要研究方向?yàn)槊艽a技術(shù)。在國際學(xué)術(shù)會(huì)議上發(fā)表論文多篇，獲得數(shù)項(xiàng)國家發(fā)明專利授權(quán)，承擔(dān)和參與了多項(xiàng)國家和省部級(jí)科研項(xiàng)目。

圖書目錄

第 1 章緒論 1
1．1人工智能的發(fā)展 1
1．1． 1人工智能的定義 1
1． 1． 2人工智能的發(fā)展歷史及現(xiàn)狀 2
1． 1． 3機(jī)器學(xué)習(xí)與數(shù)據(jù) 3
1．2隱私保護(hù)浮出水面 4
1．2． 1隱私保護(hù)問題 5
1． 2． 2隱私保護(hù)的攻擊 5
1． 2． 3常見的隱私保護(hù)技術(shù) 7
1．3聯(lián)邦學(xué)習(xí)的誕生 8
1．3． 1聯(lián)邦學(xué)習(xí)的提出 8
1． 3． 2聯(lián)邦學(xué)習(xí)的范式 9
1．3． 3聯(lián)邦學(xué)習(xí)的應(yīng)用 12
1． 4本章小結(jié) 13
第 2 章聯(lián)邦學(xué)習(xí)基礎(chǔ) 15
2．1聯(lián)邦學(xué)習(xí)的基本概念 15
2． 2聯(lián)邦學(xué)習(xí)的發(fā)展歷程 17
2． 3聯(lián)邦學(xué)習(xí)的基本類別與流程 18
2． 3． 1橫向聯(lián)邦學(xué)習(xí) 18
2． 3． 2縱向聯(lián)邦學(xué)習(xí) 19
2． 3． 3聯(lián)邦遷移學(xué)習(xí) 19
2． 3． 4聯(lián)邦強(qiáng)化學(xué)習(xí) 20
2．4聯(lián)邦學(xué)習(xí)的應(yīng)用場(chǎng)景 21
2． 5本章小結(jié) 21
第 3 章中央服務(wù)器優(yōu)化算法 23
3．1聯(lián)邦隨機(jī)梯度下降算法 23
3． 1． 1算法框架及參數(shù) 23
3． 1． 2目標(biāo)函數(shù) 24
3． 1． 3算法流程 25
3． 2聯(lián)邦平均算法 25
3． 2． 1算法框架及參數(shù) 26
3． 2． 2目標(biāo)函數(shù) 27
3． 2． 3算法流程 27
3． 3差分隱私聯(lián)邦隨機(jī)梯度下降算法 28
3． 3． 1算法框架及參數(shù) 28
3． 3． 2相關(guān)函數(shù)說明 29
3． 3． 3算法流程 30
3． 4差分隱私聯(lián)邦平均算法 31
3． 4． 1算法框架及參數(shù) 31
3． 4． 2算法流程 32
3． 5基于損失的自適應(yīng)提升聯(lián)邦學(xué)習(xí)算法 33
3． 5． 1算法框架及參數(shù) 34
3． 5． 2算法流程 35
3． 6自平衡聯(lián)邦學(xué)習(xí)算法 36
3． 6． 1算法框架及參數(shù) 36
3． 6． 2算法流程 37
3． 7聯(lián)邦近端算法 39
3． 7． 1算法框架及參數(shù) 40
3． 7． 2模塊介紹 41
3． 7． 3算法流程 42
3． 8不可知聯(lián)邦學(xué)習(xí)算法 43
3． 9 基于概率的聯(lián)邦網(wǎng)絡(luò)匹配算法Ⅰ：單隱層神經(jīng)網(wǎng)絡(luò)匹配算法 50
3． 9． 1算法框架及參數(shù) 50
3． 9． 2模塊介紹 53
3． 9． 3算法流程 56
3． 10基于概率的聯(lián)邦網(wǎng)絡(luò)匹配算法Ⅱ：多隱層神經(jīng)網(wǎng)絡(luò)匹配算法 57
3． 10． 1算法框架及參數(shù) 57
3． 10． 2模塊介紹 59
3． 10． 3算法流程 63
3．11聯(lián)邦匹配平均算法 64
3． 11． 1算法框架及參數(shù) 64
3． 11． 2目標(biāo)函數(shù) 65
3． 11． 3算法流程 66
3． 12本章小結(jié) 67
第 4 章聯(lián)邦回歸算法 69
4．1聯(lián)邦機(jī)器學(xué)習(xí)算法的定義 69
4． 1． 1水平型分布數(shù)據(jù) 70
4．1． 2垂直型分布數(shù)據(jù) 70
4． 2線性回歸 70
4． 2． 1橫向線性回歸 71
4． 2． 2縱向線性回歸 74
4． 3邏輯回歸 80
4． 3． 1橫向邏輯回歸 81
4． 3． 2縱向邏輯回歸 88
4． 4本章小結(jié) 96
第 5 章聯(lián)邦分類算法 97
5．1樸素貝葉斯分類法 97
5． 1． 1貝葉斯定理 97
5． 1． 2樸素貝葉斯分類的思想和工作過程 97
5． 1． 3橫向樸素貝葉斯分類 98
5．1． 4縱向樸素貝葉斯分類 102
5． 2支持向量機(jī) 107
5． 2． 1橫向支持向量機(jī) 109
5． 2． 2縱向支持向量機(jī) 116
5． 3本章小結(jié) 124
第 6 章聯(lián)邦樹模型 125
6． 1決策樹 125
6． 1． 1橫向決策樹 126
6． 1． 2縱向決策樹 131
6．2XGBoost 138
6． 2． 1參數(shù)及含義 139
6． 2． 2加法同態(tài) 140
6．2． 3SecureBoost 算法的流程 140
6． 3本章小結(jié) 143
第 7 章聯(lián)邦推薦算法 145
7． 1K 均值算法 145
7．1． 1橫向K 均值聚類算法 146
7． 1． 2縱向K 均值聚類算法 149
7． 1． 3任意數(shù)據(jù) K 均值聚類算法 158
7． 1． 4安全兩方 K 均值聚類算法 162
7． 2因子分解機(jī) 166
7．3基于近鄰的協(xié)同過濾算法 171
7． 3． 1基于近鄰的傳統(tǒng)協(xié)同過濾算法 171
7． 3． 2基于用戶的聯(lián)邦協(xié)同過濾算法 173
7． 4基于矩陣的協(xié)同過濾算法 178
7． 4． 1基于矩陣的傳統(tǒng)協(xié)同過濾算法 178
7． 4． 2基于矩陣的聯(lián)邦協(xié)同過濾算法 178
7． 5矩陣分解算法 186
7． 5． 1基于 SGD 的聯(lián)邦矩陣分解算法 186
7． 5． 2基于多視圖的聯(lián)邦矩陣分解算法 190
7． 5． 3興趣點(diǎn)推薦算法 195
7． 5． 4基于差分隱私的聯(lián)邦矩陣分解算法 197
7． 5． 5基于混淆電路的聯(lián)邦矩陣分解算法 200
7． 5． 6基于相似度的聯(lián)邦矩陣分解算法 205
7． 5． 7基于因子分析的聯(lián)邦矩陣分解算法 209
7．5． 8基于深度學(xué)習(xí)的聯(lián)邦矩陣分解算法 211
7． 6本章小結(jié) 213
第 8 章聯(lián)邦學(xué)習(xí)系統(tǒng)的隱私與安全 215
8．1問題描述與安全模型 215
8． 2聯(lián)邦學(xué)習(xí)隱私保護(hù)技術(shù) 216
8． 2． 1秘密共享 216
8． 2． 2不經(jīng)意傳輸 218
8． 2． 3混淆電路 220
8． 2． 4同態(tài)加密 222
8． 2． 5差分隱私 224
8．3聯(lián)邦學(xué)習(xí)安全防護(hù)技術(shù) 226
8． 3． 1密碼算法 226
8． 3． 2身份認(rèn)證 229
8． 3． 3通信安全 231
8． 3． 4存儲(chǔ)安全 233
8． 3． 5可信計(jì)算 235
8． 4本章小結(jié) 237
第 9 章聯(lián)邦學(xué)習(xí)的服務(wù)質(zhì)量 239
9．1聯(lián)邦學(xué)習(xí)服務(wù)質(zhì)量的定義 239
9． 1． 1聯(lián)邦學(xué)習(xí)服務(wù)質(zhì)量的由來 239
9． 1． 2什么是聯(lián)邦學(xué)習(xí)服務(wù)質(zhì)量評(píng)估 241
9． 2聯(lián)邦學(xué)習(xí)服務(wù)質(zhì)量的評(píng)估維度 242
9． 2． 1模型性能 242
9． 2． 2數(shù)據(jù)傳輸效率 243
9． 2． 3網(wǎng)絡(luò)性能 243
9． 2． 4計(jì)算資源
9． 2． 5聯(lián)邦建模的魯棒性
9． 3聯(lián)邦學(xué)習(xí)服務(wù)質(zhì)量的理論體系
9． 3． 1模型性能的評(píng)價(jià)指標(biāo)
9． 3． 2聯(lián)邦學(xué)習(xí)的通信指標(biāo)
9． 3． 3資源調(diào)度代價(jià)
9． 3． 4聯(lián)邦建模的魯棒性
9． 3． 5隱私保護(hù)技術(shù)的選取
9． 3． 6權(quán)值更新方法
9． 4提升聯(lián)邦學(xué)習(xí)服務(wù)質(zhì)量的方法
9． 4． 1聯(lián)邦學(xué)習(xí)的算法優(yōu)化
9． 4． 2聯(lián)邦學(xué)習(xí)的通信優(yōu)化
9． 4． 3聯(lián)邦學(xué)習(xí)的末位淘汰
9． 4． 4增強(qiáng)聯(lián)邦學(xué)習(xí)系統(tǒng)的魯棒性
9．5本章小結(jié)
第 10 章聯(lián)邦學(xué)習(xí)的研究趨勢(shì)
10．1聯(lián)邦學(xué)習(xí)的優(yōu)化研究
10． 2聯(lián)邦學(xué)習(xí)的安全和隱私研究
10． 3聯(lián)邦學(xué)習(xí)的應(yīng)用領(lǐng)域研究
10． 4本章小結(jié)
附錄
附錄 ACholesky 分解
附錄 BLDLT 分解
附錄 C共軛梯度法
參考文獻(xiàn)