消息 首页 搜索 举报
  • 联邦学:与算法 人工智能 王健宗[等]
  • 联邦学:与算法 人工智能 王健宗[等]
  • 联邦学:与算法 人工智能 王健宗[等]
  • 联邦学:与算法 人工智能 王健宗[等]
  • 联邦学:与算法 人工智能 王健宗[等]
21年品牌 40万+商家 超1.5亿件商品

联邦学:与算法 人工智能 王健宗[等]

新华书店全新正版书籍 支持7天无理由

￥ 86.55 6.8折 ￥ 128 全新

库存4件

北京丰台
认证卖家担保交易快速发货售后保障

作者王健宗[等]

出版社人民邮电出版社

ISBN9787115575326

出版时间2021-11

版次1

装帧平装

开本16

页数280页

定价128元

货号xhwx_1202537592

上书时间2024-09-15

智胜图书专营店

七年老店
已实名 已认证 进店 收藏店铺
  • 最新上架

   商品详情   

品相描述：全新
正版特价新书
商品描述
主编：

1. 联邦学是目前人工智能领域较受重视的技术范式之一，谷歌、ibm、英伟达、腾讯等众多巨头入场，李开复力推；
2. 由安科技联邦学团队执笔，牵头作者为联邦学推动者、安科技副工程师和技术部经理王健宗博士；
3. 从基础知识出发，深入浅出的介绍了服务器优化和联邦机器学的算法体系，适合大数据、人工智能行业从业者参；
4. 广泛虑工程实践，系统介绍联邦学算法，学院信息工程研究所提供加密理论方面支持，保障理论前沿。

目录：

章绪论1

1．1人工智能的发展1

1．1．1人工智能的定义1

1．1．2人工智能的发展历史及现状2

1．1．3机器学与数据3

1．2隐私保护浮出水面4

1．2．1隐私保护问题5

1．2．2隐私保护的攻击5

1．2．3常见的隐私保护技术7

1．3联邦学的诞生8

1．3．1联邦学的提出8

1．3．2联邦学的范式9

1．3．3联邦学的应用12

1．4本章小结13

第2章联邦学基础15

2．1联邦学的基本概念15

2．2联邦学的发展历程17

2．3联邦学的基本类别与流程18

2．3．1横向联邦学18

2．3．2纵向联邦学19

2．3．3联邦迁移学19

2．3．4联邦强化学20

2．4联邦学的应用场景21

2．5本章小结21

第3章服务器优化算法23

3．1联邦梯度下降算法23

3．1．1算法框架及参数23

3．1．2目标函数24

3．1．3算法流程25

3．2联邦均算法25

3．2．1算法框架及参数26

3．2．2目标函数27

3．2．3算法流程27

3．3差分隐私联邦梯度下降算法28

3．3．1算法框架及参数28

3．3．2相关函数说明29

3．3．3算法流程30

3．4差分隐私联邦均算法31

3．4．1算法框架及参数31

3．4．2算法流程32

3．5基于损失的自适应提升联邦学算法33

3．5．1算法框架及参数34

3．5．2算法流程35

3．6自衡联邦学算法36

3．6．1算法框架及参数36

3．6．2算法流程37

3．7联邦近端算法39

3．7．1算法框架及参数40

3．7．2模块介绍41

3．7．3算法流程42

3．8不可知联邦学算法43

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50

3．9．1算法框架及参数50

3．9．2模块介绍53

3．9．3算法流程56

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57

3．10．1算法框架及参数57

3．10．2模块介绍59

3．10．3算法流程63

3．11联邦匹配均算法64

3．11．1算法框架及参数64

3．11．2目标函数65

3．11．3算法流程66

3．12本章小结67

第4章联邦回归算法69

4．1联邦机器学算法的定义69

4．1．1水型分布数据70

4．1．2垂直型分布数据70

4．2线回归70

4．2．1横向线回归71

4．2．2纵向线回归74

4．3逻辑回归80

4．3．1横向逻辑回归81

4．3．2纵向逻辑回归88

4．4本章小结96

第5章联邦分类算法97

5．1朴素贝叶斯分类法97

5．1．1贝叶斯定理97

5．1．2朴素贝叶斯分类的思想和工作过程97

5．1．3横向朴素贝叶斯分类98

5．1．4纵向朴素贝叶斯分类102

5．2支持向量机107

5．2．1横向支持向量机109

5．2．2纵向支持向量机116

5．3本章小结124

第6章联邦树模型125

6．1决策树125

6．1．1横向决策树126

6．1．2纵向决策树131

6．2xgboost138

6．2．1参数及含义139

6．2．2加法同态140

6．2．3secureboost算法的流程140

6．3本章小结143

第7章联邦算法145

7．1k均值算法145

7．1．1横向k均值聚类算法146

7．1．2纵向k均值聚类算法149

7．1．3任意数据k均值聚类算法158

7．1．4安全两方k均值聚类算法162

7．2因子分解机166

7．3基于近邻的协同过滤算法171

7．3．1基于近邻的传统协同过滤算法171

7．3．2基于用户的联邦协同过滤算法173

7．4基于矩阵的协同过滤算法178

7．4．1基于矩阵的传统协同过滤算法178

7．4．2基于矩阵的联邦协同过滤算法178

7．5矩阵分解算法186

7．5．1基于sgd的联邦矩阵分解算法186

7．5．2基于多视图的联邦矩阵分解算法190

7．5．3兴趣点算法195

7．5．4基于差分隐私的联邦矩阵分解算法197

7．5．5基于混淆电路的联邦矩阵分解算法200

7．5．6基于相似度的联邦矩阵分解算法205

7．5．7基于因子分析的联邦矩阵分解算法209

7．5．8基于深度学的联邦矩阵分解算法211

7．6本章小结213

第8章联邦学系统的隐私与安全215

8．1问题描述与安全模型215

8．2联邦学隐私保护技术216

8．2．1秘密共享216

8．2．2不经意传输218

8．2．3混淆电路220

8．2．4同态加密222

8．2．5差分隐私224

8．3联邦学安全护技术226

8．3．1密码算法226

8．3．2身份认证229

8．3．3通信安全231

8．3．4存储安全233

8．3．5可信计算235

8．4本章小结237

第9章联邦学的服务质量239

9．1联邦学服务质量的定义239

9．1．1联邦学服务质量的由来239

9．1．2什么是联邦学服务质量评估241

9．2联邦学服务质量的评估维度242

9．2．1模型能242

9．2．2数据传输效率243

9．2．3网络能243

9．2．4计算资源

9．2．5联邦建模的鲁棒

9．3联邦学服务质量的理论体系

9．3．1模型能的评价指标

9．3．2联邦学的通信指标

9．3．3资源调度代价

9．3．4联邦建模的鲁棒

9．3．5隐私保护技术的选取

9．3．6权值更新方法

9．4提升联邦学服务质量的方法

9．4．1联邦学的算法优化

9．4．2联邦学的通信优化

9．4．3联邦学的末位淘汰

9．4．4增强联邦学系统的鲁棒

9．5本章小结

0章联邦学的研究趋势

10．1联邦学的优化研究

10．2联邦学的安全和隐私研究

10．3联邦学的应用领域研究

10．4本章小结

附录

附录acholesky分解

附录bldlt分解

附录c共轭梯度法

参文献

内容简介：

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（federated learning）作为一种新兴的机器学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。本书从联邦学的基础知识出发深入浅出地介绍了服务器优化和联邦机器学的算法体系详细阐述了联邦学中涉及的加密通信模块的相关知识以定和定量的双视角建立了联邦学服务质量的评估维度、理论体系还延伸介绍了提升联邦学服务质量的方法并对联邦学的研究趋势进行了深入探讨与分析可以对设计和选择算法提供工具式的参和帮助。本书是高校、科研院所和业界相关学者研究联邦学技术的理想读本也适合大数据、人工智能行业的从业者和感兴趣的读者参。

—  没有更多了  —

店铺评价
消息 首页 搜索

以下为对购买帮助不大的评价

正版特价新书
此功能需要访问孔网APP才能使用
暂时不用
打开孔网APP