联邦学习 算法详解与系统实现
全新正版 极速发货
￥ 53.71 5.4折 ￥ 99 全新
库存7件
广东广州
认证卖家担保交易快速发货售后保障
作者薄列峰 等
出版社机械工业出版社
ISBN9787111703495
出版时间2022-04
装帧平装
开本16开
定价99元
货号1202629681
上书时间2024-09-04
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
薄列峰，京东科技集团副总裁、硅谷研发部负责人。曾担任包括NeurIPS、CVPR、ICCV、ECCV、AAAI、SDM等在内的多个很好人工智能会议程序委员会委员。在国际很好会议和期刊上合计发表论文80余篇，论文被引用10186次，H指数44。其博士学位论文荣获国内百篇优秀博士论文奖，RGB-D物体识别论文荣获机器人领域学术会议ICRA很好计算机视觉论文奖。
目录
前言
第一部分 联邦学习基础知识
第1章 联邦学习概述
1.1 什么是联邦学习
1.2 联邦学习的应用和挑战
1.3 分布式机器学习与联邦学习
1.4 总结
第2章 联邦学习应用场景
2.1 联邦学习与金融
2.2 联邦学习与生物医学
2.3 联邦学习与计算机视觉
2.4 联邦学习与自然语言处理
2.5 联邦学习与边缘计算和云计算
2.6 联邦学习与计算机硬件
2.7 总结
第3章 常用隐私保护技术
3.1 面向隐私保护的机器学习
3.2 常用的隐私保护技术
3.3 总结
第二部分 联邦学习算法详述
第4章 纵向联邦树模型算法
4.1 树模型简介
4.2 纵向联邦随机森林算法
4.3 纵向联邦梯度提升算法
4.4 总结
第5章 纵向联邦线性回归算法
5.1 纵向联邦线性回归
5.2 联邦多视角线性回归
5.3 总结
第6章 纵向联邦核学习算法
6.1 引言
6.2 双随机核方法
6.3 所提算法
6.4 理论分析
6.5 实验验证
6.6 总结
第7章 异步纵向联邦学习算法
7.1 引言
7.2 相关工作
7.3 问题表示
7.4 所提算法
7.5 理论分析
7.6 实验验证
7.7 总结
第8章 基于反向更新的双层异步纵向联邦学习算法
8.1 引言
8.2 问题表示
8.3 所提算法
8.4 理论分析
8.5 实验验证
8.6 总结
第9章 纵向联邦深度学习算法
9.1 引言
9.2 所提算法
9.3 理论分析
9.4 实验验证
9.5 总结
第10章 快速安全的同态加密数据挖掘框架
10.1 引言
10.2 相关工作
10.3 同态加密数据挖掘框架
10.4 实验验证
10.5 总结
第11章 横向联邦学习算法
11.1 横向联邦学习简介
11.2 常见的分布式优化算法
11.3 同步横向联邦学习算法
11.4 异步横向联邦学习算法
11.5 快速通信的横向联邦学习算法
11.6 总结
第12章 混合联邦学习算法
12.1 混合联邦学习算法的场景需求
12.2 算法详述
12.3 总结
第13章 联邦强化学习
13.1 强化学习概述
13.2 强化学习算法简介
13.3 分布式和联邦强化学习
13.4 总结
第三部分 联邦学习系统
第14章 FedLearn联邦学习系统
14.1 已开源联邦学习系统及其痛点
14.2 FedLearn联邦学习系统的优势
14.3 FedLearn系统架构设计
14.4 FedLearn跨语言算法支持
14.5 高性能RPC开源框架gRPC
14.6 FedLearn系统服务和算法解耦
14.7 FedLearn部署与使用
14.8 总结
第15章 gRPC在FedLearn中的联邦学习应用实例
15.1 应用实例一：纵向联邦随机森林学习算法
15.2 应用实例二：横向联邦学习场景
15.3 总结
第16章 落地场景中的性能优化实践
16.1 FedLearn业务场景简介
16.2 从0到1实践联邦学习算法优化
16.3 性能优化
16.4 工程服务性能优化
16.5 实时推理优化
16.6 总结
第17章 基于区块链的联邦学习
17.1 区块链简介
17.2 联邦学习与区块链的集成创新
17.3 基于区块链的联邦学习激励算法
17.4 基于区块链的联邦学习系统实现
17.5 总结
参考文献
内容摘要
全书共分为三个部分，从概念、应用场景到具体的优选算法，再到最后的系统实现，对联邦学习技术进行全盘梳理与总结。
第一部分为联邦学习基础知识，主要介绍和分享联邦学习的定义、挑战、应用场景和主要技术，包括联邦学习概述、应用场景和常用隐私保护技术。
第二部分为联邦学习算法详述，主要介绍京东科技针对纵向联邦学习和横向联邦学习场景提出来的诸多创新性联邦学习算法，包括纵向联邦树模型算法、纵向联邦线性回归算法、纵向联邦核学习算法、异步纵向联邦学习算法、基于反向更新的双层异步纵向联邦学习算法、纵向联邦深度学习算法、快速安全的同态加密数据挖掘框架、横向联邦学习算法、混合联邦学习算法和联邦强化学习。
第三部分为联邦学习系统，主要介绍京东科技设计的联邦学习系统及算法落地的性能优化技术，包括FedLearn联邦学习系统详述、gRPC在FedLearn中的联邦学习应用实例、落地场景中的性能优化实践和基于区块链的联邦学习。
主编推荐
作者都是扎根于联邦学习前沿的研究者和从业者。
本书提出了众多不同于其他书籍的全新联邦学习算法，以飨读者。
作者参考了近年全新的文章和综述，紧跟学术和业界的联邦学习动态。
相关推荐
— 没有更多了 —
以下为对购买帮助不大的评价