深入浅出联邦学习：原理与实践

图书标准信息

• 作者 王健宗；李泽远；何安珣
• 出版社 机械工业出版社
• 出版时间 2021-04
• 版次 1
• ISBN 9787111679592
• 定价 79.00元
• 装帧 其他
• 开本 16开
• 纸张 胶版纸
• 页数 189页
• 字数 151千字

【内容简介】

这是一本从基础、原理、实战、拓展4个维度系统讲解联邦学习的著作。
  作者是人工智能领域的资深专家，现任某大型金融集团科技公司联邦学习团队负责人，这本书不仅得到了中外院士的联合推荐，而且得到了来自清华大学、华中科技大学、百度、蚂蚁集团、同盾科技等学术界和企业界的专家的一致推荐。
  全书共9章，分为4个部分。
  第1部分 基础（第1~2章）
  主要介绍了联邦学习的概念、由来、发展历史、架构思想、应用场景、优势、规范与标准、社区与生态等基础内容，帮助读者建立对联邦学习的感性认知。
  第二部分 原理（第3~5章）
  详细讲解了联邦学习的工作原理、算法、加密机制、激励机制等核心技术，为读者进行联邦学习实践打好理论基础。
  第三部分 实战（第6~7章）
  主要讲解了PySyft、TFF、CrypTen等主流联邦学习开源框架的部署实践，并给出了联邦学习在智慧金融、智慧医疗、智慧城市、物联网等领域的具体解决方案。
  第四部分 拓展（第8~9章）
  概述了联邦学习的形态、联邦学习系统架构、当前面临的挑战等，并探讨了联邦学习的发展前景和趋势。

【作者简介】

王健宗（博士）

某大型金融集团科技公司联邦学习团队负责人、高级工程师。

中国计算机学会大数据专家委员会委员、杰出会员，中国计算机学会青年计算机科技论坛（YOCSEF深圳）优秀AC委员。深圳市领军人才，美国佛罗里达大学人工智能博士后。

长期从事联邦智能隐私计算技术研发和平台搭建工作，发表联邦学习、深度学习、云计算、大数据等领域国际论文50余篇，获得专利100余项。著有《深入理解AutoML和AutoDL：构建自动化机器学习与深度学习平台》《金融智能：AI如何为银行、保险、证券业赋能》等书，同时还是多届国内外知名人工智能、大数据行业会议出品人。

 

李泽远

  某大型金融集团科技公司高级人工智能产品经理，中国计算机学会会员，中国计算机学会青年计算机科技论坛（YOCSEF深圳）AC委员。长期负责AI技术类的产品生态搭建与实施推进，曾参与完成联邦学习、生物鉴权技术在金融领域平台型产品中的设计与落地投产，在全周期项目中积累有丰富的实战经验。

 

何安珣

某大型金融集团科技公司高级算法工程师，中国计算机学会会员，中国计算机学会青年计算机科技论坛（YOCSEF深圳）委员。拥有丰富的金融人工智能从业经验，主要研究金融智能系统框架搭建、算法研究和模型融合技术等，致力于推动金融智能的落地应用与价值创造。

【目录】

前言

第一部分　基础

第1章　联邦学习的前世今生2

　1.1　联邦学习的由来2

　1.2　联邦学习的发展历程3

　1.3　联邦学习的规范与标准8

　1.4　联邦学习的社区与生态9

　1.5　本章小结10

第2章　全面认识联邦学习11

　2.1　什么是联邦学习11

　2.2　联邦学习的架构思想12

　2.3　联邦学习的应用场景14

　2.4　联邦学习的优势与前景15

　2.5　本章小结16

第二部分　原理

第3章　联邦学习的工作原理18

　3.1　联邦学习的计算环境18

3.1.1　可信执行环境18

3.1.2　无可信计算环境22

　3.2　联邦学习的算法23

3.2.1　中心联邦优化算法24

3.2.2　联邦机器学习算法25

3.2.3　联邦深度学习算法28

　3.3　联邦学习的算子29

3.3.1　联邦学习数据预处理算子30

3.3.2　联邦学习模型训练算子34

　3.4　本章小结49

第4章　联邦学习的加密机制50

　4.1　联邦学习的安全问题50

4.1.1　模型完整性问题50

4.1.2　模型可用性问题51

4.1.3　模型机密性问题52

4.1.4　问题总结53

　4.2　联邦学习的加密方式53

4.2.1　同态加密53

4.2.2　差分隐私55

4.2.3　安全多方计算57

4.2.4　国密SM2算法58

4.2.5　国密SM4算法60

4.2.6　Deffie-Hellman算法61

4.2.7　混合加密61

　4.3　本章小结63

第5章　联邦学习的激励机制64

　5.1　数据贡献评估65

　5.2　数据贡献与激励支付的关系66

　5.3　参与方贡献效益评估67

　5.4　参与方贡献效益与激励支付的关系68

　5.5　计算和通信消耗评估68

　5.6　计算消耗、通信消耗和激励支付的关系69

　5.7　本章小结70

第三部分　实战

第6章　联邦学习开发实践72

　6.1　联邦学习开源框架部署：PySyft72

6.1.1　PySyft基本介绍72

6.1.2　开发环境准备与搭建72

6.1.3　PySyft安装指南75

6.1.4　开发前的准备76

6.1.5　PySyft测试样例76

6.1.6　实操：分布式联邦学习部署87

　6.2　联邦学习开源框架部署：TFF93

6.2.1　TFF基本介绍93

6.2.2　开发环境准备与搭建94

6.2.3　TFF安装指南94

6.2.4　开发前的准备95

6.2.5　TFF测试样例95

　6.3　联邦学习开源框架部署：CrypTen100

6.3.1　CrypTen基本介绍100

6.3.2　开发环境准备与搭建100

6.3.3　CrypTen安装指南101

6.3.4　开发前的准备101

6.3.5　CrypTen测试样例102

　6.4　本章小结111

第7章　联邦学习的行业解决方案112

　7.1　联邦学习 智慧金融112

7.1.1　联邦学习 银行112

7.1.2　联邦学习 保险121

7.1.3　联邦学习 投资125

　7.2　联邦学习 智慧医疗128

7.2.1　联邦学习 医疗影像诊断128

7.2.2　联邦学习 疾病风险预测130

7.2.3　联邦学习 药物挖掘133

7.2.4　联邦学习 医护资源配置135

　7.3　联邦学习 智慧城市137

7.3.1　联邦学习 零售137

7.3.2　联邦学习 交通140

7.3.3　联邦学习 物流141

7.3.4　联邦学习 政府143

7.3.5　联邦学习 安防146

　7.4　联邦学习 物联网148

7.4.1　联邦学习 车联网148

7.4.2　联邦学习 智能家居150

7.4.3　联邦学习 可穿戴设备153

7.4.4　联邦学习 机器人155

　7.5　本章小结160

第四部分　拓展

第8章　联邦学习的延伸162

　8.1　联邦学习的布局162

8.1.1　Google的联邦学习162

8.1.2　Facebook的联邦学习166

8.1.3　联邦智能167

8.1.4　共享智能169

8.1.5　知识联邦172

8.1.6　异构联邦177

8.1.7　联邦学习方案对比178

　8.2　联邦学习系统框架179

8.2.1　工业级联邦学习系统179

8.2.2　企业级联邦学习系统181

8.2.3　实验开发级联邦学习系统181

　8.3　本章小结183

第9章　联邦学习的挑战、趋势和展望184

　9.1　联邦学习应对的挑战184

　9.2　联邦学习的趋势和展望187

　9.3　本章小结189