《聯邦學習》是2020年電子工業出版社出版的圖書，作者是楊強、劉洋等。
在《聯邦學習》中，我們將描述聯邦學習（亦稱聯邦機器學習）如何將分散式機器學習、密碼學、基於金融規則的激勵機制和博弈論結合起來，以解決分散數據的使用問題。
基本介紹
- 中文名：聯邦學習
- 作者：楊強、劉洋 等
- 原作品：計算機
- 出版社：電子工業出版社
- 出版時間：2020年4月
- 頁數：208 頁
- 定價：89 元
- 開本：16 開
- ISBN：9787121385223
內容簡介,圖書目錄,作者簡介,
內容簡介
《聯邦學習》凝聚了楊強教授團隊的多年學術成果和工程經驗
圖書目錄
序言i
前言ii
作者簡介vi
第1 章引言/1
1.1 人工智慧面臨的挑戰/2
1.2 聯邦學習概述/4
1.2.1 聯邦學習的定義/5
1.2.2 聯邦學習的分類/8
1.3 聯邦學習的發展/10
1.3.1 聯邦學習的研究/11
1.3.2 開源平台/12
1.3.3 聯邦學習標準化進展/13
1.3.4 聯邦人工智慧生態系統/14
第2 章隱私、安全及機器學習/15
2.1 面向隱私保護的機器學習/16
2.2 面向隱私保護的機器學習與安全機器學習/16
2.3 威脅與安全模型/17
2.3.1 隱私威脅模型/17
2.3.2 攻擊者和安全模型/19
2.4 隱私保護技術/20
2.4.1 安全多方計算/20
2.4.2 同態加密/24
2.4.3 差分隱私/27
第3 章分散式機器學習/31
3.1 分散式機器學習介紹/32
3.1.1 分散式機器學習的定義/32
3.1.2 分散式機器學習平台/33
3.2 面向擴展性的DML /34
3.2.1 大規模機器學習/34
3.2.2 面向擴展性的DML 方法/35
3.3 面向隱私保護的DML /38
3.3.1 隱私保護決策樹/38
3.3.2 隱私保護方法/40
3.3.3 面向隱私保護的DML 方案/40
3.4 面向隱私保護的梯度下降方法/42
3.4.1 樸素聯邦學習/44
3.4.2 隱私保護方法/44
3.5 挑戰與展望/46
第4 章橫向聯邦學習/47
4.1 橫向聯邦學習的定義/48
4.2 橫向聯邦學習架構/49
4.2.1 客戶-伺服器架構/49
4.2.2 對等網路架構/51
4.2.3 全局模型評估/53
4.3 聯邦平均算法介紹/54
4.3.1 聯邦最佳化/54
4.3.2 聯邦平均算法/56
4.3.3 安全的聯邦平均算法/59
4.4 聯邦平均算法的改進/61
4.4.1 通信效率提升/61
4.4.2 參與方選擇/62
4.5 相關工作/62
4.6 挑戰與展望/64
第5 章縱向聯邦學習/67
5.1 縱向聯邦學習的定義/69
5.2 縱向聯邦學習的架構/70
5.3 縱向聯邦學習算法/71
5.3.1 安全聯邦線性回歸/72
5.3.2 安全聯邦提升樹/75
5.4 挑戰與展望/79
第6 章聯邦遷移學習/81
6.1 異構聯邦學習/82
6.2 聯邦遷移學習的分類與定義/82
6.3 聯邦遷移學習框架/84
6.3.1 加法同態加密/87
6.3.2 聯邦遷移學習的訓練過程/87
6.3.3 聯邦遷移學習的預測過程/88
6.3.4 安全性分析/88
6.3.5 基於秘密共享的聯邦遷移學習/89
6.4 挑戰與展望/90
第7 章聯邦學習激勵機制/93
7.1 貢獻的收益/94
7.1.1 收益分享博弈/94
7.1.2 反向拍賣/96
7.2 注重公平的收益分享框架/97
7.2.1 建模貢獻/98
7.2.2 建模代價/98
7.2.3 建模期望損失/98
7.2.4 建模時間期望損失/99
7.2.5 策略協調/99
7.2.6 計算收益評估比重/101
7.3 挑戰與展望/103
第8 章聯邦學習與計算機視覺、
自然語言處理及推薦系統/105
8.1 聯邦學習與計算機視覺/106
8.1.1 聯邦計算機視覺/106
8.1.2 業內研究進展/108
8.1.3 挑戰與展望/109
8.2 聯邦學習與自然語言處理/110
8.2.1 聯邦自然語言處理/110
8.2.2 業界研究進展/111
8.2.3 挑戰與展望/112
8.3 聯邦學習與推薦系統/112
8.3.1 推薦模型/113
8.3.2 聯邦推薦系統/114
8.3.3 業界研究進展/116
8.3.4 挑戰與展望/116
第9 章聯邦強化學習/117
9.1 強化學習介紹/118
9.1.1 策略/118
9.1.2 獎勵/119
9.1.3 價值函式/119
9.1.4 環境模型/119
9.1.5 強化學習套用舉例/119
9.2 強化學習算法/120
9.3 分散式強化學習/121
9.3.1 異步分散式強化學習/122
9.3.2 同步分散式強化學習/122
9.4 聯邦強化學習/122
9.4.1 聯邦強化學習背景/123
9.4.2 橫向聯邦強化學習/123
9.4.3 縱向聯邦強化學習/125
9.5 挑戰與展望/127
第10 章套用前景/129
10.1 金融/130
10.2 醫療/131
10.3 教育/132
10.4 城市計算和智慧城市/133
10.5 邊緣計算和物聯網/135
10.6 區塊鏈/136
10.7 第五代移動網路/137
第11 章總結與展望/139
附錄A 數據保護法律和法規/141
A.1 歐盟的數據保護法規/142
A.1.1 GDPR 中的術語/143
A.1.2 GDPR 重點條款/143
A.1.3 GDPR 的影響/146
A.2 美國的數據保護法規/147
A.3 中國的數據保護法規/148
參考文獻/151
作者簡介
楊強
楊強教授是微眾銀行的首席人工智慧官（CAIO）和香港科技大學（HKUST）計算機科學與工程系講席教授。他是香港科技大學計算機科學與工程系的前任系主任，並曾擔任大數據研究院的創始主任（2015-2018 年）。他的研究興趣包括人工智慧、機器學習和數據挖掘，特別是遷移學習、自動規劃、聯邦學習和基於案例的推理。他是多個國際協會的會士（Fellow），包括ACM、AAAI、IEEE、IAPR 和AAAS。他於1982 年獲得北京大學天體物理學學士學位，分別於1987年和1989 年獲得馬里蘭大學帕克分校計算機科學系碩士學位和博士學位。他曾在在滑鐵盧大學（1989-1995 年）和西蒙弗雷澤大學（1995-2001年）擔任教授。他是ACM TIST 和IEEE TBD 的創始主編。他是國際人工智慧聯合會議（IJCAI）的理事長（2017-2019 年）和人工智慧發展協會（AAAI）的執行委員會成員（2016-2020 年）。楊強教授曾獲多個獎項，包括2004/2005 ACM KDDCUP 冠軍、AAAI 創新人工智慧套用獎（2018, 2020）和吳文俊人工智慧傑出貢獻獎（2019）。他是華為諾亞方舟實驗室的創始主任（2012-2014 年）和第四範式（AI 平台公司）的共同創始人。
劉洋
劉洋是微眾銀行AI 項目組的高級研究員。她的研究興趣包括機器學習、聯邦學習、遷移學習、多智慧型體系統、統計力學，以及這些技術的產業套用。她於2012 年獲得普林斯頓大學博士
學位，2007 年獲得清華大學學士學位。她擁有多項國際發明專利，研究成果曾發表於Nature、IJCAI 和ACM TIST 等科研刊物和會議上。她曾獲AAAI人工智慧創新套用獎、IJCAI 創新套用獎等多個獎項，並擔任IJCAI 高級程式委員會委員，NeurIPS 等多個人工智慧會議研討會聯合主席，以及IEEE Intelligent Systems 期刊客座編委等。
程勇
程勇是微眾銀行AI 項目組的高級研究員。他曾任華為技術有限公司（深圳）高級工程師和德國貝爾實驗室高級研究員，也曾在華為-香港科技大學創新實驗室擔任研究員。他的研究興趣和
專長主要包括聯邦學習、深度學習、計算機視覺和OCR、數學最佳化理論和算法、分散式和網路計算以及混合整數規劃。他發表期刊和會議論文20 余篇。他於2006 年、2010 年、2013 年分別在浙江大學、香港科技大學、德國達姆施塔特工業大學獲工學學士學位（一等榮譽）、碩士學位和博士學位。他於2014 年獲達姆施塔特工業大學最佳博士論文獎，於2006年獲浙江大學
最佳學士論文獎。他在ICASSP’15 會議上做了關於“混合整數規劃”的教程。他是IJCAI’19 和NIPS’19 等國際會議的程式委員會委員。
康焱
康焱是微眾銀行AI 項目組的高級研究員。他的工作重點是面向隱私保護的機器學習和聯邦遷移學習技術的研究和實現。他在馬里蘭大學巴爾的摩分校獲計算機碩士和博士學位。他的博士論文研究的是以機器學習和語義網路進行異構數據集成，並獲得了博士論文獎學金。在就讀研究生期間，他參與了與美國國家標準與技術研究院（NIST）和美國國家科學基金會（NSF）合作的多個項目，設計和開發語義網路集成系統。他在商業軟體項目方面也有著豐富的經驗。他曾在美國
Stardog Union 公司和美國塞納公司工作了四年多的時間，從事系統設計和實現方面的工作。
陳天健
陳天健是微眾銀行AI 項目組的副總經理。負責構建基於聯邦學習技術的銀行智慧型生態系統。在加入微眾銀行之前，他是百度金融的首席架構師，同時也是百度的首席架構師。他擁有超過12 年的大規模分散式系統設計經驗，並在Web 搜尋引擎、對等網路存儲、基因組學、推薦系統、數字銀行和機器學習等多個套用領域中實現了技術創新。他現居於中國深圳，與其他工作夥伴一起建設和推廣聯邦AI 生態系統和相關的開源項目FATE。
於涵
