联邦学习:原理与算法

图书信息

作者	王健宗 李泽远 何安珣 王伟 著
出版社	人民邮电出版社有限公司
ISBN	9787115575326
出版时间	2021-11-01
字数	15.6万
分类	科技,计算机,网络,软件系统

读书简介

数据孤岛问题已经成为制约人工智能发展的主要阻碍。在此背景下, 联邦学习(Federated Learning) 作为一种新兴的机器学习技术范式, 凭借其突出的隐私保护能力,展示出在诸多业务场景中的应用价值。 本书从联邦学习的基础知识出发, 深浅出地介绍了中央服务器优化和联邦机器学习的算法体系, 详细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, 还延伸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行了深探讨与分析, 可以对设计和选择算法提供工具式的参考和帮助。

目录

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

1.2 隐私保护浮出水面

1.3 联邦学习的诞生

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

2.4 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

3.2 联邦平均算法

3.3 差分隐私联邦随机梯度下降算法

3.4 差分隐私联邦平均算法

3.5 基于损失的自适应提升联邦学习算法

3.6 自平衡联邦学习算法

3.7 联邦近端算法

3.8 不可知联邦学习算法

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

3.10 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

3.11 联邦匹配平均算法

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

4.2 线性回归

4.3 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

5.2 支持向量机

5.3 本章小结

第6章 联邦树模型

6.1 决策树

6.2 XGBoost

6.3 本章小结

第7章 联邦推荐算法

7.1 K均值算法

7.2 因子分解机

7.3 基于近邻的协同过滤算法

7.4 基于矩阵的协同过滤算法

7.5 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

8.3 联邦学习安全防护技术

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

9.2 联邦学习服务质量的评估维度

9.3 联邦学习服务质量的理论体系

9.4 提升联邦学习服务质量的方法

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