聯(lián)邦學習技術及實戰(zhàn)（全彩）

第1章 / 聯(lián)邦學習的研究與發(fā)展現(xiàn)狀
1.1 聯(lián)邦學習的背景
1.2 大數(shù)據(jù)時代的挑戰(zhàn)：數(shù)據(jù)孤島
1.2.1 “數(shù)據(jù)孤島”的成因
1.2.2 具體實例
1.2.3 數(shù)據(jù)互聯(lián)的發(fā)展與困境
1.2.4 解決“數(shù)據(jù)孤島”問題的難點與聯(lián)邦學習的優(yōu)勢
1.3 聯(lián)邦學習的定義和基本術語
1.3.1 聯(lián)邦學習的定義
1.3.2 聯(lián)邦學習的基本術語
1.4 聯(lián)邦學習的分類及適用范圍
1.4.1 縱向聯(lián)邦學習
1.4.2 橫向聯(lián)邦學習
1.4.3 聯(lián)邦遷移學習
1.5 典型的聯(lián)邦學習生命周期
1.5.1 模型訓練
1.5.2 在線推理
1.6 聯(lián)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(zhì)
2.3.3 差分隱私在聯(lián)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(lián)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(lián)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(shù)據(jù)結(jié)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(lián)邦學習
3.3 特征工程
3.3.1 錯誤及缺失處理
3.3.2 數(shù)據(jù)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(lián)邦交集計算
4.1 聯(lián)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(jīng)意傳輸協(xié)議的方法
4.1.4 其他方法
4.2 聯(lián)邦交集計算在聯(lián)邦學習中的應用
4.2.1 實體解析與縱向聯(lián)邦學習
4.2.2 非對稱縱向聯(lián)邦學習
4.2.3 聯(lián)邦特征匹配
第5章 / 聯(lián)邦特征工程
5.1 聯(lián)邦特征工程概述
5.1.1 聯(lián)邦特征工程的特點
5.1.2 傳統(tǒng)特征工程和聯(lián)邦特征工程的對比
5.2 聯(lián)邦特征優(yōu)化
5.2.1 聯(lián)邦特征評估
5.2.2 聯(lián)邦特征處理
5.2.3 聯(lián)邦特征降維
5.2.4 聯(lián)邦特征組合
5.2.5 聯(lián)邦特征嵌入
5.3 聯(lián)邦單變量分析
5.3.1 聯(lián)邦單變量基礎分析
5.3.2 聯(lián)邦WOE和IV計算
5.3.3 聯(lián)邦PSI和CSI計算
5.3.4 聯(lián)邦KS和LIFT計算
5.4 聯(lián)邦自動特征工程
5.4.1 聯(lián)邦超參數(shù)優(yōu)化
5.4.2 聯(lián)邦超頻優(yōu)化
5.4.3 聯(lián)邦神經(jīng)結(jié)構搜索
第6章 / 縱向聯(lián)邦學習
6.1 基本假設及定義
6.2 縱向聯(lián)邦學習的架構
6.3 聯(lián)邦邏輯回歸
6.4 聯(lián)邦隨機森林
6.5 聯(lián)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(lián)邦學習深度神經(jīng)網(wǎng)絡
6.7 縱向聯(lián)邦學習案例
第7章 / 橫向聯(lián)邦學習
7.1 基本假設與定義
7.2 橫向聯(lián)邦網(wǎng)絡架構
7.2.1 中心化架構
7.2.2 去中心化架構
7.3 聯(lián)邦平均算法概述
7.3.1 在橫向聯(lián)邦學習中優(yōu)化問題的一些特點
7.3.2 聯(lián)邦平均算法
7.3.3 安全的聯(lián)邦平均算法
7.4 橫向聯(lián)邦學習應用于輸入法
第8章 / 聯(lián)邦遷移學習
8.1 基本假設與定義
8.1.1 遷移學習的現(xiàn)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(lián)邦遷移學習的提出
8.2 聯(lián)邦遷移學習架構
8.3 聯(lián)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(lián)邦遷移學習案例
8.4.1 應用場景
8.4.2 聯(lián)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(lián)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(lián)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(diào)優(yōu)案例分析
9.5.1 特征工程調(diào)優(yōu)
9.5.2 訓練過程的通信過程調(diào)優(yōu)
9.5.3 加密的密鑰長度
9.5.4 隱私數(shù)據(jù)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(lián)邦學習的產(chǎn)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(lián)邦學習在醫(yī)療領域中的其他應用
10.2 金融產(chǎn)品的廣告投放
10.3 金融風控
10.3.1 數(shù)據(jù)方之間的聯(lián)邦學習
10.3.2 數(shù)據(jù)方與金融機構之間的聯(lián)邦學習
10.4 其他應用
10.4.1 聯(lián)邦學習應用于推薦領域
10.4.2 聯(lián)邦學習與無人機
10.4.3 聯(lián)邦學習與新型冠狀病毒肺炎監(jiān)測
第11章 / 數(shù)據(jù)資產(chǎn)定價與激勵機制
11.1 數(shù)據(jù)資產(chǎn)的相關概念及特點
11.1.1 大數(shù)據(jù)時代背景
11.1.2 數(shù)據(jù)資產(chǎn)的定義
11.1.3 數(shù)據(jù)資產(chǎn)的特點
11.1.4 數(shù)據(jù)市場
11.2 數(shù)據(jù)資產(chǎn)價值的評估與定價
11.2.1 數(shù)據(jù)資產(chǎn)價值的主要影響因素
11.2.2 數(shù)據(jù)資產(chǎn)價值的評估方案
11.2.3 數(shù)據(jù)資產(chǎn)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(shù)據(jù)資產(chǎn)定價與激勵機制的關系
第12章 / 聯(lián)邦學習面臨的挑戰(zhàn)和可擴展性
12.1 聯(lián)邦學習面臨的挑戰(zhàn)
12.1.1 通信與數(shù)據(jù)壓縮
12.1.2 保護用戶隱私數(shù)據(jù)
12.1.3 聯(lián)邦學習優(yōu)化
12.1.4 模型的魯棒性
12.1.5 聯(lián)邦學習的公平性
12.2 聯(lián)邦學習與區(qū)塊鏈結(jié)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(lián)合
12.3 聯(lián)邦學習與其他技術結(jié)合