联邦学习原理与算法
全新正版 极速发货
￥ 69.16 6.3折 ￥ 109 全新
库存2件
广东广州
认证卖家担保交易快速发货售后保障
作者耿佳辉 等 编著
出版社机械工业
ISBN9787111728535
出版时间2023-05
装帧平装
开本其他
定价109元
货号31761754
上书时间2024-05-31
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
耿佳辉，博士，欧盟玛丽居里项目研究员，研究的重点包括隐私保护计算、区块链、自然语言处理等。多篇文章在国际会议发表，在中国、德国、挪威的知名企业都有丰富的工作经验。牟永利，博士，致力于联邦学习、数据隐私和区块链应用等领域的研究，并参与多个德国的医疗数据基建项目，如MMI和NFDI4Health，拥有丰富的数据科学和人工智能研究背景。有多篇医学信息学、联邦学习、区块链技术国际论文发表经验。李青，博士，挪威斯塔万格大学。致力于机器学习鲁棒性、可解释性，机器学习中的常微分或偏微分方程的数值计算。容淳铭，挪威工程院院士、挪威斯塔万格大学计算机系终身教授、服务式计算研究创新中心主任。曾任IEEE国际云计算学术会议系列指导委员会主席，IEEE区块链专家委员会主席、（国际）云安全联盟（CSA）挪威分部副总理事长，中国科学院海外评审专家。
目录
第1章联邦学习与机器学习基础1.1联邦学习概述1.1.1联邦学习的背景与发展1.1.2联邦学习的定义与分类1.1.3联邦学习的相关法规与社区1.1.4展望与总结1.2联邦学习挑战1.2.1性能挑战1.2.2效率挑战1.2.3隐私与安全挑战1.3机器学习基础1.3.1机器学习定义与分类1.3.2机器学习流程1.3.3常见的机器学习算法1.4深度学习基础与框架1.4.1深度学习基本原理1.4.2常见的神经网络类型1.4.3常见的深度学习框架第2章联邦学习框架2.1百度PaddleFL框架2.1.1PaddleFL框架结构2.1.2PaddleFL框架安装和部署2.1.3PaddleFL使用示例2.2Flower框架2.2.1Flower框架结构2.2.2Flower框架安装与部署2.2.3Flower使用示例2.3微众银行FATE框架2.3.1FATE的技术架构2.3.2FATE安装与部署2.4联邦学习框架对比第3章联邦学习系统架构3.1横向联邦学习3.1.1横向联邦学习定义3.1.2横向联邦学习算法3.1.3安全聚合算法3.2纵向联邦学习3.2.1纵向联邦学习算法概述3.2.2纵向联邦逻辑回归算法3.3分割学习3.3.1分割学习基本原理3.3.2分割学习设置与应用场景第4章联邦学习建模难点与解决方案4.1数据统计异质性4.1.1非独立同分布影响与收敛性分析4.1.2非同质性数据分类与构建4.1.3联邦学习非独立同分布策略4.2个性化联邦学习4.2.1个性化联邦学习的动机和概念4.2.2全局模型个性化策略4.2.3个性化本地模型4.3联邦学习通信与加速算法4.3.1模型压缩算法4.3.2异步与并行优化4.3.3硬件加速第5章联邦学习与隐私保护5.1差分隐私5.1.1差分隐私定义5.1.2差分隐私与机器学习5.1.3差分隐私在联邦学习中的应用5.1.4开源项目与工具5.2安全多方计算5.2.1百万富翁问题5.2.2不经意传输5.2.3混淆电路5.2.4秘密分享5.2.5安全多方计算在联邦学习中的应用5.3同态加密5.3.1同态加密定义与分类5.3.2部分同态加密方案5.4可信执行环境第6章联邦学习系统安全与防御算法6.1联邦学习安全性分析6.1.1CIA原则: 私密性、完整性与可用性6.1.2敌手模型6.2联邦学习隐私攻击与防御6.2.1成员推断攻击与防御6.2.2重构攻击与防御6.3联邦学习安全攻击与防御6.3.1联邦学习安全攻击目标与手段6.3.2联邦学习安全防御第7章联邦学习与计算机视觉7.1图像分类7.1.1传统图像分类算法7.1.2基于深度学习的图像分类算法7.1.3图像分类常用数据集7.2目标检测7.2.1目标检测模型的常用评价标准7.2.2目标检测的常用算法7.2.3目标检测的常用数据集7.3图像分割7.3.1图像分割分类7.3.2图像分割数据集7.3.3语义分割7.3.4实例分割常用的算法7.4联邦学习图像识别非独立同分布数据实验7.4.1实验描述7.4.2实验过程7.4.3结果分析第8章联邦学习与推荐系统8.1推荐系统基本知识8.1.1推荐系统数据8.1.2推荐系统架构8.1.3推荐系统数据集8.2协同过滤算法8.2.1协同过滤算法分类8.2.2协同过滤算法评价指标8.3矩阵分解8.3.1奇异值分解8.3.2联邦矩阵分解算法8.4神经协同过滤网络8.4.1神经协同过滤系统框架8.4.2神经协同过滤层设计8.4.3神经协同过滤训练8.4.4联邦神经协同过滤第9章联邦学习与其他深度学习模式结合9.1联邦多任务学习9.1.1多任务学习基本原理9.1.2联邦多任务学习算法9.2联邦学习与半监督学习9.2.1半监督学习的基本方法9.2.2联邦学习与半监督学习结合9.3联邦强化学习9.3.1强化学习基本原理与分类9.3.2联邦学习与强化学习结合9.4联邦图学习9.4.1图学习算法基础知识9.4.2联邦图学习算法与挑战第10章联邦学习应用前景10.1联邦学习与医疗10.1.1联邦医学图像处理10.1.2联邦学习与电子医疗记录10.1.3联邦学习与药物开发10.2联邦学习与金融10.2.1联邦学习与银行风控10.2.2联邦学习与消费社交反欺诈10.2.3联邦学习与智慧营销10.3联邦学习、边缘计算与物联网10.3.1联邦学习与边缘计算10.3.2联邦学习与物联网10.3.3联邦学习与自动驾驶10.4联邦学习与区块链10.4.1区块链基本原理10.4.2区块链分类10.4.3区块链与联邦学习结合
内容摘要
《联邦学习原理与算法》系统介绍了联邦学习的全貌，内容丰富，兼顾算法理论与实践。算法部分包含横向联邦、纵向联邦等不同的数据建模方式，重点讨论了联邦学习由于数据异质性和设备异质性带来的算法稳定性、隐私性挑战及其解决策略，这对每一个联邦学习框架设计者来说都是至关重要但却容易忽略的部分；实践部分介绍了当前主流的联邦学习框架，并进行对比，然后给出相同算法的不同实现供读者比较。《联邦学习原理与算法》重点介绍了联邦学习计算机视觉及推荐系统等方面的应用，方便算法工程师拓展当前的算法框架，对金融、医疗、边缘计算、区块链等应用也做了详尽阐述，相信对于研究隐私保护机器学习的计算机相关专业学生和联邦学习领域的开发者、创业者都有很好的借鉴作用。详细的代码以及对现有框架和开源项目的介绍是本书的一大特色。《联邦学习原理与算法》为读者提供了全部案例源代码下载和高清学习视频，读者可以直接扫描二维码观看。
主编推荐
《联邦学习原理与算法》融合了联邦学习资深技术专家多年经验，系统介绍了联邦学习的全貌，内容丰富，兼顾算法理论与实践，对联邦学习性能挑战、安全与隐私挑战，以及推荐系统进行了介绍。理论讲解由浅入深、注重编程实践，语言简练、内容实用。重点难点部分还配备了二维码视频。
— 没有更多了 —
以下为对购买帮助不大的评价