【杨强教授新作】联邦学习实战（全彩）(博文视点出品)

图书标准信息

• 作者 杨强 黄安埠 刘洋 陈天健 著
• 出版社 电子工业出版社
• 出版时间 2021-05
• 版次 1
• ISBN 9787121407925
• 定价 119.00元
• 装帧 平装
• 开本 16开
• 页数 323页
• 字数 411千字

【内容简介】

数据孤岛和隐私保护已经成为制约人工智能发展的关键因素。联邦学习作为一种新型的隐私

 

保护计算方案，在数据不出本地的前提下，能有效联合各参与方联合建模，从而实现“共同富裕”，

 

成为当下人工智能领域备受关注的热点。

 

本书以实战为主（包括对应用案例的深入讲解和代码分析），兼顾对理论知识的系统总结。

 

全书由五部分共19 章构成。第一部分简要介绍了联邦学习的理论知识；第二部分介绍如何使用

 

Python 和FATE 进行简单的联邦学习建模；第三部分是联邦学习的案例分析，筛选了经典案例进

 

行讲解，部分案例用Python 代码实现，部分案例采用FATE 实现；第四部分主要介绍和联邦学习

 

相关的高级知识点，包括联邦学习的架构和训练的加速方法等；第五部分是回顾与展望。

 

本书适合对联邦学习和隐私保护感兴趣的高校研究者、企业研发人员阅读。

 

【作者简介】

杨强教授

 

微众银行首席人工智能官（CAIO）和香港科技大学（HKUST）计算机科学与工程系讲席教授。曾任香港科技大学计算机科学与工程系系主任。研究兴趣包括人工智能、机器学习和数据挖掘，特别是迁移学习、自动规划、联邦学习和基于案例的推理。

 

当选多个国际协会会士（Fellow），包括ACM、AAAI、IEEE、IAPR， CAAI和AAAS。

 

1982 年获北京大学天体物理学学士学位，并分别于1987年和1989 年获马里兰大学帕克分校计算机科学系硕士学位和博士学位。曾在滑铁卢大学（University of Waterloo,1989-1995 年）和西蒙弗雷泽大学（Simon Fraser University, 1995-2001 年）担任教授。

 

ACM TIST 和IEEE TBD 创始主编，国际人工智能联合会议（IJCAI）理事长（2017-2019 年）和国际人工智能促进学会（AAAI）的执行委员会成员（2016-2020 年）, 香港人工智能学会的理事长，曾任AAAI 2021大会主席。

 

曾获多个奖项，包括2004/2005 ACM KDDCUP 冠军、ACM SIGKDD 卓越服务奖（2017）、AAAI 创新人工智能应用奖（2018, 2020）和吴文俊人工智能杰出贡献奖（2019）。

 

华为诺亚方舟实验室的创始主任（2012-2014 年）和第四范式（AI 平台公司）的共同创始人。

 

著有多本书籍：《智能规划》 Intelligent Planning （Springer）、《学术研究，你的成功之路》 （清华大学出版社） Crafting Your Research Future （Morgan & Claypool）、《迁移学习》 （机械工业出版社华章公司）Transfer Learning （Cambridge University Press）、《联邦学习》（电子工业出版社）Federated Learning （Morgan Claypool），Constraint-based Design Recovery for Software Engineering（Springer）。

 

 

 

黄安埠 

 

微众银行AI项目组资深研究员，毕业于清华大学。在机器学习、隐私保护安全计算、推荐系统和计算机视觉等领域有丰富的研究和落地经验。 已申请和拥有30多项国内和PCT国际专利，学术成果发表在AAAI、ACM TIST、IEEE BigData、AI Magazine等国际学术会议期刊上； 获得AAAI人工智能创新应用奖（2020年）；著有《深入浅出深度学习》（电子工业出版社，2017年）一书。 在加入微众银行之前曾任职于腾讯，期间领导创建了服务于亿级用户、全球较大的中文音乐流媒体在线推荐平台。 

 

 

刘 洋

 

微众银行AI项目组资深研究员、研究团队负责人。 研究兴趣包括机器学习、联邦学习、迁移学习、多智能体系统、统计力学以及这些技术的产业应用。 2012年获得普林斯顿大学博士学位，2007年获得清华大学学士学位。 拥有多项国际发明专利，研究成果曾发表于Nature、IJCAI、AAAI和ACM TIST等科研刊物和会议上； 曾获得AAAI人工智能创新应用奖、IJCAI创新应用奖和CCF科技成果奖等多个奖项；《联邦学习》一书的主要作者之一。 

 

 

陈天健 

 

微众银行AI项目组副总经理，目前负责构建基于联邦学习技术的银行智能生态系统。 拥有超过15年的大规模分布式智能系统设计经验，并在Web搜索引擎、对等网络存储、计算基因组学、个性化推荐系统、数字银行等多个应用领域中实现了技术创新。 现居中国深圳，与工作伙伴一起建设和推广联邦学习开源项目FATE。 在加入微众银行之前曾担任百度金融首席架构师（同时也是百度的主任架构师）。

 

【目录】

第一部分联邦学习基础

 

 

 

第1章 联邦学习概述/3

 

1.1 数据资产的重要性/4

 

1.2 联邦学习提出的背景/5

 

1.3 联邦学习的定义/7

 

1.4 联邦学习的分类/10

 

1.5 联邦学习算法现状/12

 

 

 

第2章 联邦学习的安全机制/15

 

2.1 基于同态加密的安全机制/16

 

2.1.1 同态加密的定义/16

 

2.1.2 同态加密的分类/18

 

2.2 基于差分隐私的安全机制/20

 

2.2.1 差分隐私的定义/20

 

2.2.2 差分隐私的实现机制/23

 

2.3 基于安全多方计算的安全机制/26

 

2.3.1 秘密共享/26

 

2.3.2 不经意传输/28

 

2.3.3 混淆电路/29

 

2.4 安全机制的性能效率对比/30

 

2.5 基于Python 的安全计算库/31

 

 

 

第二部分联邦学习快速入门

 

 

 

第3章 用Python 从零实现横向联邦图像分类/35

 

3.1 环境配置/36

 

3.2 PyTorch 基础/37

 

3.2.1 创建Tensor /37

 

3.2.2 Tensor 与Python 数据结构的转换/38

 

3.2.3 数据操作/39

 

3.2.4 自动求导/41

 

3.3 用Python 实现横向联邦图像分类/41

 

3.3.1 配置信息/41

 

3.3.2 训练数据集/42

 

3.3.3 服务端/43

 

3.3.4 客户端/45

 

3.3.5 整合/46

 

3.4 联邦训练的模型效果/47

 

3.4.1 联邦训练与集中式训练的效果对比/47

 

3.4.2 联邦模型与单点训练模型的对比/48

 

 

 

第4章 微众银行FATE 平台/51

 

4.1 FATE 平台架构概述/52

 

4.2 FATE 安装与部署/53

 

4.2.1 单机部署/53

 

4.2.2 集群部署/54

 

4.2.3 KubeFATE 部署/55

 

4.3 FATE 编程范式/55

 

4.4 FATE 应用案例/57

 

 

 

第5章 用FATE 从零实现横向逻辑回归/59

 

5.1 数据集的获取与描述/60

 

5.2 逻辑回归/60

 

5.3 横向数据集切分/61

 

5.4 横向联邦模型训练/62

 

5.4.1 数据输入/63

 

5.4.2 模型训练/65

 

5.4.3 模型评估/67

 

5.5 多参与方环境配置/71

 

 

 

第6章 用FATE 从零实现纵向线性回归/73

 

6.1 数据集的获取与描述/74

 

6.2 纵向数据集切分/74

 

6.3 纵向联邦训练/76

 

6.3.1 数据输入/76

 

6.3.2 样本对齐/78

 

6.3.3 模型训练/78

 

6.3.4 模型评估/81

 

 

 

第7章 联邦学习实战资源/85

 

7.1 FATE 帮助文档/86

 

7.2 本书配套的代码/86

 

7.3 其他联邦学习平台/86

 

7.3.1 TensorFlow-Federated /86

 

7.3.2 OpenMined PySyft /87

 

7.3.3 NVIDIA Clara 联邦学习平台/88

 

7.3.4 百度PaddleFL /89

 

7.3.5 腾讯AngelFL /90

 

7.3.6 同盾知识联邦平台/90

 

 

 

第三部分联邦学习案例实战详解

 

 

 

第8章 联邦学习在金融保险领域的应用案例/95

 

8.1 概述/96

 

8.2 基于纵向联邦学习的保险个性化定价案例/97

 

8.2.1 案例描述/97

 

8.2.2 保险个性化定价的纵向联邦建模/98

 

8.2.3 效果对比/102

 

8.3 基于横向联邦的银行间反洗钱模型案例/103

 

8.3.1 案例描述/103

 

8.3.2 反洗钱模型的横向联邦建模/104

 

8.3.3 效果对比/105

 

8.4 金融领域的联邦建模难点/106

 

8.4.1 数据不平衡/106

 

8.4.2 可解析性/107

 

 

 

第9章 联邦个性化推荐案例/109

 

9.1 传统的集中式个性化推荐/110

 

9.1.1 矩阵分解/110

 

9.1.2 因子分解机/112

 

9.2 联邦矩阵分解/114

 

9.2.1 算法详解/114

 

9.2.2 详细实现/116

 

9.3 联邦因子分解机/119

 

9.3.1 算法详解/119

 

9.3.2 详细实现/122

 

9.4 其他联邦推荐算法/126

 

9.5 联邦推荐云服务使用/127

 

 

 

第10章 联邦学习视觉案例/129

 

10.1 概述/130

 

10.2 案例描述/131

 

10.3 目标检测算法概述/131

 

10.3.1 边界框与锚框/132

 

10.3.2 交并比/133

 

10.3.3 基于候选区域的目标检测算法/133

 

10.3.4 单阶段目标检测/134

 

10.4 基于联邦学习的目标检测网络/136

 

10.4.1 动机/136

 

10.4.2 FedVision-联邦视觉产品/137

 

10.5 方法实现/138

 

10.5.1 Flask-SocketIO 基础/138

 

10.5.2 服务端设计/141

 

10.5.3 客户端设计/143

 

10.5.4 模型和数据集/145

 

10.5.5 性能分析/146

 

 

 

第11章 联邦学习在智能物联网中的应用案例/149

 

11.1 案例的背景与动机/150

 

11.2 历史数据分析/152

 

11.3 出行时间预测模型/153

 

11.3.1 问题定义/153

 

11.3.2 构造训练数据集/154

 

11.3.3 模型结构/155

 

11.4 联邦学习实现/156

 

11.4.1 服务端设计/157

 

11.4.2 客户端设计/158

 

11.4.3 性能分析/159

 

 

 

第12 章联邦学习医疗健康应用案例/161

 

12.1 医疗健康数据概述/162

 

12.2 联邦医疗大数据与脑卒中预测/164

 

12.2.1 脑卒中预测案例概述/164

 

12.2.2 联邦数据预处理/164

 

12.2.3 联邦学习脑卒中预测系统/165

 

12.3 联邦学习在医疗影像中的应用/169

 

12.3.1 肺结节案例描述/170

 

12.3.2 数据概述/170

 

12.3.3 模型设计/171

 

12.3.4 联邦学习的效果/173

 

 

 

第13章 联邦学习智能用工案例/175

 

13.1 智能用工简介/176

 

13.2 智能用工平台/176

 

13.2.1 智能用工的架构设计/176

 

13.2.2 智能用工的算法设计/177

 

13.3 利用横向联邦提升智能用工模型/180

 

13.4 设计联邦激励机制，提升联邦学习系统的可持续性/180

 

13.4.1 FedGame 系统架构/181

 

13.4.2 FedGame 设计原理/182

 

13.5 系统设置/183

 

 

 

第14章 构建公平的大数据交易市场/185

 

14.1 大数据交易/187

 

14.1.1 数据交易的定义/187

 

14.1.2 数据确权/188

 

14.1.3 数据定价/189

 

14.2 基于联邦学习构建新一代大数据交易市场/189

 

14.3 联邦学习激励机制助力数据交易/190

 

14.4 联邦学习激励机制的问题描述/191

 

14.5 FedCoin 支付系统设计/192

 

14.5.1 PoSap 共识算法/193

 

14.5.2 支付方案/197

 

14.6 FedCoin 的安全分析/198

 

14.7 实例演示/199

 

14.7.1 演示系统的实现/199

 

14.7.2 效果展示/200

 

 

 

第15 章联邦学习攻防实战/203

 

15.1 后门攻击/204

 

15.1.1 问题定义/204

 

15.1.2 后门攻击策略/205

 

15.1.3 详细实现/207

 

15.2 差分隐私/210

 

15.2.1 集中式差分隐私/211

 

15.2.2 联邦差分隐私/213

 

15.2.3 详细实现/215

 

15.3 模型压缩/217

 

15.3.1 参数稀疏化/217

 

15.3.2 按层敏感度传输/219

 

15.4 同态加密/222

 

15.4.1 Paillier 半同态加密算法/222

 

15.4.2 加密损失函数计算/222

 

15.4.3 详细实现/224

 

 

 

第四部分联邦学习进阶

 

 

 

第16 章联邦学习系统的通信机制/231

 

16.1 联邦学习系统架构/232

 

16.1.1 客户C服务器架构/232

 

16.1.2 对等网络架构/233

 

16.1.3 环状架构/234

 

16.2 网络通信协议简介/235

 

16.3 基于socket 的通信机制/237

 

16.3.1 socket 介绍/237

 

16.3.2 基于Python 内置socket 库的实现/238

 

16.3.3 基于Python-SocketIO 的实现/239

 

16.3.4 基于Flask-SocketIO 的实现/241

 

16.4 基于RPC 的通信机制/241

 

16.4.1 RPC 介绍/241

 

16.4.2 基于gRPC 的实现/243

 

16.4.3 基于ICE 的实现/244

 

16.5 基于RMI 的通信机制/248

 

16.5.1 RMI 介绍/248

 

16.5.2 在Python 环境下使用RMI /249

 

16.6 基于MPI 的通信机制/249

 

16.6.1 MPI 简介/249

 

16.6.2 在Python 环境下使用MPI /249

 

16.7 本章小结/250

 

 

 

第17 章联邦学习加速方法/251

 

17.1 同步参数更新的加速方法/252

 

17.1.1 增加通信间隔/253

 

17.1.2 减少传输内容/254

 

17.1.3 非对称的推送和获取/256

 

17.1.4 计算和传输重叠/256

 

17.2 异步参数更新的加速方法/257

 

17.3 基于模型集成的加速方法/258

 

17.3.1 One-Shot 联邦学习/258

 

17.3.2 基于学习的联邦模型集成/260

 

17.4 硬件加速/261

 

17.4.1 使用GPU 加速计算/261

 

17.4.2 使用FPGA 加速计算/263

 

17.4.3 混合精度训练/264

 

 

 

第18章 联邦学习与其他前沿技术/267

 

18.1 联邦学习与Split Learning /268

 

18.1.1 Split Learning 设计模式/268

 

18.1.2 Split Learning 与联邦学习的异同/270

 

18.2 联邦学习与区块链/271

 

18.2.1 区块链技术原理/271

 

18.2.2 联邦学习与区块链的异同点/275

 

18.3 联邦学习与边缘计算/277

 

18.3.1 边缘计算综述/277

 

18.3.2 联邦学习与边缘计算的异同点/279

 

 

 

第五部分 回顾与展望

 

 

 

第19 章总结与展望/283

 

19.1 联邦学习进展总结/287

 

19.1.1 联邦学习标准建设/287

 

19.1.2 理论研究总结/288

 

19.1.3 落地应用进展总结/290

 

19.2 未来展望/292

 

19.2.1 联邦学习的可解析性/293

 

19.2.2 联邦学习的安全性/295

 

19.2.3 联邦学习的公平性激励机制/296

 

19.2.4 联邦学习的模型收敛性和性能效率/297

 

参考文献/299