电子书
编辑推荐
人工智能机器学习教程书籍，平安科技联邦学习团队执笔，由浅入深介绍联邦机器学习的算法体系，注重工程实践，保证理论前沿性。
内容简介
本书从联邦学习的基础知识出发，介绍了中央服务器优化和联邦机器学习的算法体系，阐述了联邦学习中涉及的加密通信模块的相关知识，以定性和定量的双视角建立了联邦学习服务质量的评估维度、理论体系，还介绍了提升联邦学习服务质量的方法，并对联邦学习的研究趋势进行了探讨与分析。
章节目录
- 封面
- 扉页
- 版权信息
- 内容提要
- 序言1
- 序言2
- 前言
- 第1章 绪论
- 1.1 人工智能的发展
- 1.1.1 人工智能的定义
- 1.1.2 人工智能的发展历史及现状
- 1.1.3 机器学习与数据
- 1.2 隐私保护浮出水面
- 1.2.1 隐私保护问题
- 1.2.2 隐私保护的攻击
- 1.2.3 常见的隐私保护技术
- 1.3 联邦学习的诞生
- 1.3.1 联邦学习的提出
- 1.3.2 联邦学习的范式
- 1.3.3 联邦学习的应用
- 1.4 本章小结
- 第2章 联邦学习基础
- 2.1 联邦学习的基本概念
- 2.2 联邦学习的发展历程
- 2.3 联邦学习的基本类别与流程
- 2.3.1 横向联邦学习
- 2.3.2 纵向联邦学习
- 2.3.3 联邦迁移学习
- 2.3.4 联邦强化学习
- 2.4 联邦学习的应用场景
- 2.5 本章小结
- 第3章 中央服务器优化算法
- 3.1 联邦随机梯度下降算法
- 3.1.1 算法框架及参数
- 3.1.2 目标函数
- 3.1.3 算法流程
- 3.2 联邦平均算法
- 3.2.1 算法框架及参数
- 3.2.2 目标函数
- 3.2.3 算法流程
- 3.3 差分隐私联邦随机梯度下降算法
- 3.3.1 算法框架及参数
- 3.3.2 相关函数说明
- 3.3.3 算法流程
- 3.4 差分隐私联邦平均算法
- 3.4.1 算法框架及参数
- 3.4.2 算法流程
- 3.5 基于损失的自适应提升联邦学习算法
- 3.5.1 算法框架及参数
- 3.5.2 算法流程
- 3.6 自平衡联邦学习算法
- 3.6.1 算法框架及参数
- 3.6.2 算法流程
- 3.7 联邦近端算法
- 3.7.1 算法框架及参数
- 3.7.2 模块介绍
- 3.7.3 算法流程
- 3.8 不可知联邦学习算法
- 3.8.1 算法框架及参数
- 3.8.2 模块介绍
- 3.8.3 算法流程
- 3.9 基于概率的联邦网络匹配算法Ⅰ：单隐层神经网络匹配算法
- 3.9.1 算法框架及参数
- 3.9.2 模块介绍
- 3.9.3 算法流程
- 3.10 基于概率的联邦网络匹配算法Ⅱ：多隐层神经网络匹配算法
- 3.10.1 算法框架及参数
- 3.10.2 模块介绍
- 3.10.3 算法流程
- 3.11 联邦匹配平均算法
- 3.11.1 算法框架及参数
- 3.11.2 目标函数
- 3.11.3 算法流程
- 3.12 本章小结
- 第4章 联邦回归算法
- 4.1 联邦机器学习算法的定义
- 4.1.1 水平型分布数据
- 4.1.2 垂直型分布数据
- 4.2 线性回归
- 4.2.1 横向线性回归
- 4.2.2 纵向线性回归
- 4.3 逻辑回归
- 4.3.1 横向逻辑回归
- 4.3.2 纵向逻辑回归
- 4.4 本章小结
- 第5章 联邦分类算法
- 5.1 朴素贝叶斯分类法
- 5.1.1 贝叶斯定理
- 5.1.2 朴素贝叶斯分类的思想和工作过程
- 5.1.3 横向朴素贝叶斯分类
- 5.1.4 纵向朴素贝叶斯分类
- 5.2 支持向量机
- 5.2.1 横向支持向量机
- 5.2.2 纵向支持向量机
- 5.3 本章小结
- 第6章 联邦树模型
- 6.1 决策树
- 6.1.1 横向决策树
- 6.1.2 纵向决策树
- 6.2 XGBoost
- 6.2.1 参数及含义
- 6.2.2 加法同态
- 6.2.3 SecureBoost算法的流程
- 6.3 本章小结
- 第7章 联邦推荐算法
- 7.1 K均值算法
- 7.1.1 横向K均值聚类算法
- 7.1.2 纵向K均值聚类算法
- 7.1.3 任意数据K均值聚类算法
- 7.1.4 安全两方K均值聚类算法
- 7.2 因子分解机
- 7.3 基于近邻的协同过滤算法
- 7.3.1 基于近邻的传统协同过滤算法
- 7.3.2 基于用户的联邦协同过滤算法
- 7.4 基于矩阵的协同过滤算法
- 7.4.1 基于矩阵的传统协同过滤算法
- 7.4.2 基于矩阵的联邦协同过滤算法
- 7.5 矩阵分解算法
- 7.5.1 基于SGD的联邦矩阵分解算法
- 7.5.2 基于多视图的联邦矩阵分解算法
- 7.5.3 兴趣点推荐算法
- 7.5.4 基于差分隐私的联邦矩阵分解算法
- 7.5.5 基于混淆电路的联邦矩阵分解算法
- 7.5.6 基于相似度的联邦矩阵分解算法
- 7.5.7 基于因子分析的联邦矩阵分解算法
- 7.5.8 基于深度学习的联邦矩阵分解算法
- 7.6 本章小结
- 第8章 联邦学习系统的隐私与安全
- 8.1 问题描述与安全模型
- 8.2 联邦学习隐私保护技术
- 8.2.1 秘密共享
- 8.2.2 不经意传输
- 8.2.3 混淆电路
- 8.2.4 同态加密
- 8.2.5 差分隐私
- 8.3 联邦学习安全防护技术
- 8.3.1 密码算法
- 8.3.2 身份认证
- 8.3.3 通信安全
- 8.3.4 存储安全
- 8.3.5 可信计算
- 8.4 本章小结
- 第9章 联邦学习的服务质量
- 9.1 联邦学习服务质量的定义
- 9.1.1 联邦学习服务质量的由来
- 9.1.2 什么是联邦学习服务质量评估
- 9.2 联邦学习服务质量的评估维度
- 9.2.1 模型性能
- 9.2.2 数据传输效率
- 9.2.3 网络性能
- 9.2.4 计算资源
- 9.2.5 联邦建模的鲁棒性
- 9.3 联邦学习服务质量的理论体系
- 9.3.1 模型性能的评价指标
- 9.3.2 联邦学习的通信指标
- 9.3.3 资源调度代价
- 9.3.4 联邦建模的鲁棒性
- 9.3.5 隐私保护技术的选取
- 9.3.6 权值更新方法
- 9.4 提升联邦学习服务质量的方法
- 9.4.1 联邦学习的算法优化
- 9.4.2 联邦学习的通信优化
- 9.4.3 联邦学习的末位淘汰
- 9.4.4 增强联邦学习系统的鲁棒性
- 9.5 本章小结
- 第10章 联邦学习的研究趋势
- 10.1 联邦学习的优化研究
- 10.2 联邦学习的安全和隐私研究
- 10.3 联邦学习的应用领域研究
- 10.4 本章小结
- 附录
- 附录A Cholesky分解
- 附录B LDLT分解
- 附录C 共轭梯度法
- 参考文献
展开全部
联邦学习：原理与算法是2021年由人民邮电出版社出版,作者王伟。
版权说明：本电子书已获得正版授权，由出版社通过知传链发行。
得书感谢您对《联邦学习：原理与算法》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
