《聯邦學習技術及實戰》是2021年電子工業出版社出版的圖書，作者是彭南博、王虎。
基本介紹
- 書名：聯邦學習技術及實戰
- 作者：彭南博、王虎
- 出版社：電子工業出版社
- 出版時間：2021年3月
- 頁數：340 頁
- 定價：106 元
- 開本：16 開
- 裝幀：平裝-膠訂
- ISBN：9787121405976
內容簡介,圖書目錄,
內容簡介
本書針對產業界在智慧型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引入更多數據、提升機器學習模型效果。網際網路數據一般分布在不同的位置，受隱私保護法規限制不能共享，形成了“數據孤島”。聯邦學習像“數據孤島”之間的特殊橋樑，通過傳輸變換後的臨時變數，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、聯邦特徵工程算法，三種常見的聯邦形式，以及工程架構、產業案例、數據資產定價等。
圖書目錄
第1章 / 聯邦學習的研究與發展現狀 1
1.1 聯邦學習的背景 1
1.2 大數據時代的挑戰：數據孤島 4
1.2.1 “數據孤島”的成因 4
1.2.2 具體實例 5
1.2.3 數據互聯的發展與困境 7
1.2.4 解決“數據孤島”問題的難點與聯邦學習的優勢 10
1.3 聯邦學習的定義和基本術語 11
1.3.1 聯邦學習的定義 11
1.3.2 聯邦學習的基本術語 13
1.4 聯邦學習的分類及適用範圍 15
1.4.1 縱向聯邦學習 16
1.4.2 橫向聯邦學習 18
1.4.3 聯邦遷移學習 19
1.5 典型的聯邦學習生命周期 20
1.5.1 模型訓練 21
1.5.2 線上推理 21
1.6 聯邦學習的安全性與可靠性 22
1.6.1 安全多方計算 22
1.6.2 差分隱私 24
1.6.3 同態加密 25
1.6.4 應對攻擊的健壯性 25
1.7 閱讀材料 26
第2章 / 多方計算與隱私保護 28
2.1 多方計算 28
2.2 基本假設與隱私保護技術 29
2.2.1 安全模型 29
2.2.2 隱私保護的目標 30
2.2.3 三種隱私保護技術及其關係 32
2.3 差分隱私 34
2.3.1 差分隱私的基本概念 34
2.3.2 差分隱私的性質 40
2.3.3 差分隱私在聯邦學習中的套用 41
2.4 同態加密 43
2.4.1 密碼學簡介 44
2.4.2 同態加密算法的優勢 44
2.4.3 半同態加密算法 45
2.4.4 全同態加密算法 49
2.4.5 半同態加密算法在聯邦學習中的套用 50
2.5 安全多方計算 51
2.5.1 百萬富翁問題 52
2.5.2 安全多方計算中的密碼協定 53
2.5.3 安全多方計算在聯邦學習中的套用 61
第3章 / 傳統機器學習 63
3.1 統計機器學習的簡介 63
3.1.1 統計機器學習的概念 63
3.1.2 數據結構與術語 66
3.1.3 機器學習算法示例 67
3.2 分散式機器學習的簡介 71
3.2.1 分散式機器學習的背景 71
3.2.2 分散式機器學習的並行模式 72
3.2.3 分散式機器學習對比聯邦學習 75
3.3 特徵工程 76
3.3.1 錯誤及缺失處理 76
3.3.2 數據類型 76
3.3.3 特徵工程方法 77
3.4 最最佳化算法 80
