联邦学习技术及实战
①全新正版，现货速发，7天无理由退换货②天津仓、成都仓、无锡仓、广东仓、武汉仓等多仓就近发货，订单最迟48小时内发出③无法指定快递④可开电子发票，不清楚的请咨询客服。
￥ 52.15 4.9折 ￥ 106 全新
仅1件
浙江嘉兴
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
装帧平装
开本16开
定价106元
货号31106564
上书时间2024-10-02
- 在售商品 暂无
- 平均发货时间 15小时
- 好评率 暂无
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
彭南博，京东科技集团风险管理中心总监，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。在联邦学习应用实践中，他领导团队研发联邦学习技术和产品，为风险业务建立了基于联邦学习的模型工程架构、模型管理体系、模型监控体系。他于2012年在中国科学院大学获得博士学位，先后参与三项国家基金项目，发表期刊和会议论文10余篇，申请70余项。
目录
第1章 / 联邦学习的研究与发展现状1
1.1 联邦学习的背景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习的优势10
1.3 联邦学习的定义和基本术语11
1.3.1 联邦学习的定义11
1.3.2 联邦学习的基本术语13
1.4 联邦学习的分类及适用范围15
1.4.1 纵向联邦学习16
1.4.2 横向联邦学习18
1.4.3 联邦迁移学习19
1.5 典型的联邦学习生命周期20
1.5.1 模型训练21
1.5.2 在线推理21
1.6 联邦学习的安全性与可靠性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 应对攻击的健壮性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 基本假设与隐私保护技术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 差分隐私的性质40
2.3.3 差分隐私在联邦学习中的应用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习中的应用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习中的应用61
第3章 / 传统机器学习63
3.1 统计机器学习的简介63
3.1.1 统计机器学习的概念63
3.1.2 数据结构与术语66
3.1.3 机器学习算法示例67
3.2 分布式机器学习的简介71
3.2.1 分布式机器学习的背景71
3.2.2 分布式机器学习的并行模式72
3.2.3 分布式机器学习对比联邦学习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 最优化算法80
3.4.1 最优化问题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习中的应用100
4.2.1 实体解析与纵向联邦学习100
4.2.2 非对称纵向联邦学习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PSI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 / 纵向联邦学习156
6.1 基本假设及定义156
6.2 纵向联邦学习的架构157
6.3 联邦逻辑回归159
6.4 联邦随机森林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 联邦学习深度神经网络180
6.7 纵向联邦学习案例184
第7章 / 横向联邦学习186
7.1 基本假设与定义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 联邦平均算法概述190
7.3.1 在横向联邦学习中优化问题的一些特点190
7.3.2 联邦平均算法191
7.3.3 安全的联邦平均算法193
7.4 横向联邦学习应用于输入法194
第8章 / 联邦迁移学习198
8.1 基本假设与定义198
8.1.1 迁移学习的现状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 联邦迁移学习的提出206
8.2 联邦迁移学习架构206
8.3 联邦迁移学习方法209
8.3.1 多项式近似209
8.3.2 加法同态加密210
8.3.3 ABY210
8.3.4 SPDZ211
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 性能分析216
8.4 联邦迁移学习案例217
8.4.1 应用场景217
8.4.2 联邦迁移强化学习218
8.4.3 迁移学习的补充阅读材料224
第9章 / 联邦学习架构揭秘与优化实战227
9.1 常见的分布式机器学习架构介绍227
9.2 联邦学习开源框架介绍235
9.2.1 TensorFlow Federated235
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
第10章 / 联邦学习的产业案例256
10.1 医疗健康256
10.1.1 患者死亡可能性预测257
10.1.2 医疗保健258
10.1.3 联邦学习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习264
10.3.2 数据方与金融机构之间的联邦学习266
10.4 其他应用269
10.4.1 联邦学习应用于推荐领域269
10.4.2 联邦学习与无人机271
10.4.3 联邦学习与新型冠状病毒肺炎监测273
第11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
第12章 / 联邦学习面临的挑战和可扩展性295
12.1 联邦学习面临的挑战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 联邦学习优化298
12.1.4 模型的鲁棒性299
12.1.5 联邦学习的公平性301
12.2 联邦学习与区块链结合302
12.2.1 王牌技术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 联邦学习与其他技术结合307
参考文献 309
内容摘要
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习如何帮助企业引入更多数据、提升机器学习模型效果。互联网数据一般分布在不同的位置，受隐私保护法规限制不能共享，形成了“数据孤岛”。联邦学习像“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。本书介绍了联邦学习技术的原理和实战经验，主要内容包括隐私保护、机器学习等基础知识，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。
主编推荐
"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。联邦学习是密码学、分布式计算和机器学习三个学科交叉的技术，可以很好地解决数据隐私和安全的问题。
《联邦学习技术及实战》由京东数科有多年联邦学习实战经验的二十多位作者合作编写，内容可分为联邦学习基础、具体的联邦学习算法、联邦学习的产业应用和展望三个大部分，并给出较多案例。
《联邦学习技术及实战》用300多页的篇幅详细地介绍了联邦学习的原理和应用。"
媒体评论
"联邦学习为打破数据孤岛、促进数据融合提供了关键和可行的解决方案。本书以简明和清晰的语言详细地阐述了联邦学习的相关概念、基础算法、应用场景，并辅以丰富的案例解析，为联邦学习技术的应用落地提供了参考，是一本值得研读的好书。
——中国信息通信研究院云计算与大数据研究所所长 何宝宏
开放银行正成为银行转型及数字化变革的重要路径和战略选择，联邦学习能够在风险建模、精准营销、提升客户体验等方面有效地推动开放银行的业务创新，解决平台加场景模式在落地实施过程中的客户数据共享和隐私保护的难题。本书对联邦学习的基本原理和算法进行了介绍，通过案例对联邦学习在不同场景中的应用进行分析，对相关的金融从业者具有很高的实战价值和很好的借鉴意义。
——亿联银行行长助理兼首席信息官 李树峰
不断产生的数据催生了丰富的智能应用，推动着社会进步和发展。各行业、各机构的数据都蕴含着各自的价值，但在使用数据时涉及的安全与合规问题制约了不同数据进一步融合和价值放大。联邦学习技术在保护数据安全和用户隐私的前提下，在原始数据不离开各自机构的同时让不同数据有机融合、产生更大的价值。本书深入浅出地介绍了联邦学习技术的基本原理和实战案例，可以帮助从业者快速入门，值得阅读。
——京东集团副总裁、京东科技集团数字城市群总裁、IEEE Fellow 郑宇
在产业数字化大发展的背景下，国家提出了培育数据要素市场以助力经济高质量发展，这需要推动数据流通共享，但是数据流通的难点是在保护隐私信息不泄露的前提下提取数据价值。联邦学习是一项解决该难点的新技术，发展迅速。本书由经验丰富的联邦学习从业者撰写，详细地介绍了相关产业背景、技术现状及原理、实践案例，具有很好的参考价值。
——京东集团副总裁，京东科技集团首席经济学家、宏观经济与产业研究院院长 沈建光"
相关推荐
— 没有更多了 —
以下为对购买帮助不大的评价