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。
作者简介
作者王健宗,博士,某大型金融集团科技公司人工智能总监,中国计算机学会大数据专家委员会委员,美国佛罗里达大学人工智能博士后,曾任美国莱斯大学电子与计算机工程系研究员。发表深度学习、云计算、大数据等领域靠前论文40余篇,拥有100余项,担任多届靠前外知名大数据人工智能会议出品人,获“2019全国新锐靠前程序员”称号。
章节目录
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
A.1 原理
A.2 算法流程
A.3 优缺点
附录B LDLT分解
B.1 原理
B.2 算法流程
B.3 优缺点
附录C 共轭梯度法
C.1 原理
C.2 算法流程
C.3 优缺点
参考文献
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。
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。