联邦学技术及实战 人工智能 彭南博 等
联邦学可以保护隐私安全，连接数据孤岛，让数据使用更安全
￥ 52.55 5.0折 ￥ 106 全新
库存5件
北京丰台
认证卖家担保交易快速发货售后保障
作者彭南博 等
出版社电子工业出版社
ISBN9787121405976
出版时间2021-03
版次1
装帧平装
开本16
页数340页
字数369千字
定价106元
货号xhwx_1202309567
上书时间2024-11-09
- 在售商品 暂无
- 平均发货时间 27小时
- 好评率 暂无
商品详情
- 品相描述：全新
- 正版特价新书
- 商品描述
-
主编：
"在大数据时代，企业面临的问题不是真的没有数据可用，而是鉴于数据安全，出现了数据孤岛，无法应用数据。联邦学是密码学、分布式计算和机器学三个学科交的技术，可以很好地解决数据隐私和安全的问题。
联邦学技术及实战由数科有多年联邦学实战经验的二十多位作者合作编写，内容可分为联邦学基础、具体的联邦学算法、联邦学的产业应用和展望三个大部分，并给出较多案例。
联邦学技术及实战用300多页的篇幅详细地介绍了联邦学的和应用。"
目录：
章 联邦学的研究与发展现状 1
1.1 联邦学的背景 1
1.2 大数据时代的挑战：数据孤岛 4
1.2.1 “数据孤岛”的成因 4
1.2.2 具体实例 5
1.2.3 数据互联的发展与困境 7
1.2.4 解决“数据孤岛”问题的难点与联邦学的优势 10
1.3 联邦学的定义和基本术语 11
1.3.1 联邦学的定义 11
1.3.2 联邦学的基本术语 13
1.4 联邦学的分类及适用范围 15
1.4.1 纵向联邦学 16
1.4.2 横向联邦学 18
1.4.3 联邦迁移学 19
1.5 典型的联邦命周期 20
1.5.1 模型训练 21
1.5.2 在线推理 21
1.6 联邦学的安全与可靠 22
1.6.1 安全多方计算 22
1.6.2 差分隐私 24
1.6.3 同态加密 25
1.6.4 应对攻击的健壮 25
1.7 阅读材料 26
第2章 多方计算与隐私保护 28
2.1 多方计算 28
2.2 基本设与隐私保护技术 29
2.2.1 安全模型 29
2.2.2 隐私保护的目标 30
2.2.3 三种隐私保护技术及其关系 32
2.3 差分隐私 34
2.3.1 差分隐私的基本概念 34
2.3.2 差分隐私的质 40
2.3.3 差分隐私在联邦学中的应用 41
2.4 同态加密 43
2.4.1 密码学简介 44
2.4.2 同态加密算法的优势 44
2.4.3 半同态加密算法 45
2.4.4 全同态加密算法 49
2.4.5 半同态加密算法在联邦学中的应用 50
2.5 安全多方计算 51
2.5.1 百万富翁问题 52
2.5.2 安全多方计算中的密码协议 53
2.5.3 安全多方计算在联邦学中的应用 61
第3章 传统机器学 63
3.1 统计机器学的简介 63
3.1.1 统计机器学的概念 63
3.1.2 数据结构与术语 66
3.1.3 机器学算法示例 67
3.2 分布式机器学的简介 71
3.2.1 分布式机器学的背景 71
3.2.2 分布式机器学的并行模式 72
3.2.3 分布式机器学对比联邦学 75
3.3 特征工程 76
3.3.1 错误及缺失处理 76
3.3.2 数据类型 76
3.3.3 特征工程方法 77
3.4 优化算法 80
3.4.1 优化问题 80
3.4.2 解析方法 81
3.4.3 一阶优化算法 82
3.4.4 二阶优化算法 84
3.5 模型效果评估 85
3.5.1 效果评估方法 86
3.5.2 效果评估指标 87
第4章 联邦交集计算 91
4.1 联邦交集计算介绍 93
4.1.1 基于公钥加密体制的方法 93
4.1.2 基于混乱电路的方法 96
4.1.3 基于不经意传输协议的方法 97
4.1.4 其他方法 99
4.2 联邦交集计算在联邦学中的应用 100
4.2.1 实体解析与纵向联邦学 100
4.2.2 非对称纵向联邦学 102
4.2.3 联邦特征匹配 106
第5章 联邦特征工程 107
5.1 联邦特征工程概述 107
5.1.1 联邦特征工程的特点 107
5.1.2 传统特征工程和联邦特征工程的对比 109
5.2 联邦特征优化 110
5.2.1 联邦特征评估 111
5.2.2 联邦特征处理 113
5.2.3 联邦特征降维 122
5.2.4 联邦特征组合 128
5.2.5 联邦特征嵌入 133
5.3 联邦单变量分析 137
5.3.1 联邦单变量基础分析 138
5.3.2 联邦woe和iv计算 139
5.3.3 联邦i和csi计算 143
5.3.4 联邦ks和lift计算 145
5.4 联邦自动特征工程 148
5.4.1 联邦超参数优化 149
5.4.2 联邦超频优化 152
5.4.3 联邦神经结构搜索 154
第6章 纵向联邦学 156
6.1 基本设及定义 156
6.2 纵向联邦学的架构 157
6.3 联邦逻辑回归 159
6.4 联邦森林 166
6.5 联邦梯度提升树 172
6.5.1 xgboost简介 172
6.5.2 secureboost简介 176
6.5.3 secureboost训练 176
6.5.4 secureboost推理 178
6.6 联邦学深度神经网络 180
6.7 纵向联邦学案例 184
第7章 横向联邦学 186
7.1 基本设与定义 186
7.2 横向联邦网络架构 187
7.2.1 中心化架构 187
7.2.2 去中心化架构 189
7.3 联邦均算法概述 190
7.3.1 在横向联邦学中优化问题的一些特点 190
7.3.2 联邦均算法 191
7.3.3 安全的联邦均算法 193
7.4 横向联邦学应用于输入法 194
第8章 联邦迁移学 198
8.1 基本设与定义 198
8.1.1 迁移学的现状 198
8.1.2 图像中级特征的迁移 201
8.1.3 从文本分类到图像分类的迁移 203
8.1.4 联邦迁移学的提出 206
8.2 联邦迁移学架构 206
8.3 联邦迁移学方法 209
8.3.1 多项式近似 209
8.3.2 加法同态加密 210
8.3.3 aby 210
8.3.4 spdz 211
8.3.5 基于加法同态加密进行安全训练和预测 212
8.3.6 基于aby和spdz进行安全训练 215
8.3.7 能分析 216
8.4 联邦迁移学案例 217
8.4.1 应用场景 217
8.4.2 联邦迁移强化学 218
8.4.3 迁移学的补充阅读材料 224
第9章 联邦学架构揭秘与优化实战 227
9.1 常见的分布式机器学架构介绍 227
9.2 联邦学开源框架介绍 235
9.2.1 tensorflow federated 235
9.2.2 fate框架 238
9.2.3 其他开源框架 241
9.3 训练服务架构揭秘 242
9.4 推理架构揭秘 246
9.5 调优案例分析 250
9.5.1 特征工程调优 250
9.5.2 训练过程的通信过程调优 251
9.5.3 加密的密钥长度 253
9.5.4 隐私数据集求交集过程优化 254
9.5.5 服务器资源优化 254
9.5.6 推理服务优化 255
0章 联邦学的产业案例 256
10.1 医疗健康 256
10.1.1 患者可能预测 257
10.1.2 医疗保健 258
10.1.3 联邦学在医疗领域中的其他应用 260
10.2 金融产品的广告投放 261
10.3 金融风控 263
10.3.1 数据方之间的联邦学 264
10.3.2 数据方与金融机构之间的联邦学 266
10.4 其他应用 269
10.4.1 联邦学应用于领域 269
10.4.2 联邦学与无人机 271
10.4.3 联邦学与新型冠状病毒肺炎监测 273
1章 数据资产定价与激励机制 274
11.1 数据资产的相关概念及特点 274
11.1.1 大数据时代背景 274
11.1.2 数据资产的定义 275
11.1.3 数据资产的特点 277
11.1.4 数据市场 279
11.2 数据资产价值的评估与定价 281
11.2.1 数据资产价值的主要影响因素 281
11.2.2 数据资产价值的评估方案 286
11.2.3 数据资产的定价方案 289
11.3 激励机制 290
11.3.1 贡献度量化方案 291
11.3.2 收益分配方案 292
11.3.3 数据资产定价与激励机制的关系 293
2章 联邦学面临的挑战和可扩展 295
12.1 联邦学面临的挑战 295
12.1.1 通信与数据压缩 296
12.1.2 保护用户隐私数据 296
12.1.3 联邦学优化 298
12.1.4 模型的鲁棒 299
12.1.5 联邦学的公 301
12.2 联邦学与区块链结合 302
12.2.1 技术 302
12.2.2 可信媒介 303
12.2.3 对比异同 304
12.2.4 强强联合 306
12.3 联邦学与其他技术结合 307
参文献 309
内容简介：
本书针对产业界在智能化过程中普遍面临的数据不足问题，详细地阐述了联邦学如何帮助企业引入更多数据、提升机器学模型效果。互联网数据一般分布在不同的位置，受隐私保护法规不能共享，形成了“数据孤岛”。联邦学像“数据孤岛”之间的特殊桥梁，通过传输变换后的临时变量，既能实现模型效果提升，又能确保隐私信息的安全。本书介绍了联邦学技术的和实战经验，主要内容包括隐私保护、机器学等基础知识，联邦求交、联邦特征工程算法，三种常见的联邦形式，以及工程架构、产业案例、数据资产定价等。
作者简介：
彭南博，科技集团风险管理中心监，在人工智能算法、风控模型等领域具有丰富的实践经验。他负责风险智能模型技术布局和业务落地，建立了数据、算法、工程三位一体的大数据应用体系。在联邦学应用实践中，他团队研发联邦学技术和产品，为风险业务建立了基于联邦学的模型工程架构、模型管理体系、模型监控体系。他于2012年在学院大学获得博士，先后参与三项项目，发表期刊和会议10余篇，申请专利70余项。
相关推荐
![[正版]联邦学技术及实战 人工智能 彭南博 等9787121405976](https://www0.kfzimg.com/sw/kfz-cos/kfzimg/bbbafecc/99be80b86b5124c4_s.jpg)
— 没有更多了 —
以下为对购买帮助不大的评价