联邦学习：算法详解与系统实现
全新正版 极速发货
￥ 71.3 7.2折 ￥ 99 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
作者薄列峰 等
出版社机械工业出版社
ISBN9787111703495
出版时间2022-04
装帧其他
开本16开
定价99元
货号31432837
上书时间2024-06-29
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。在靠前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很好博士论文奖，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 2
1.1 什么是联邦学习 2
1.1.1 联邦学习的发展历史 3
1.1.2 联邦学习的工作流程 4
1.1.3 联邦学习的分类 6
1.2 联邦学习的应用和挑战 8
1.2.1 联邦学习的应用现状 8
1.2.2 联邦学习的核心挑战 9
1.3 分布式机器学习与联邦学习 10
1.3.1 分布式机器学习的发展历史 10
1.3.2 分布式机器学习概述 11
1.3.3 分布式机器学习与联邦学习的共同发展 13
1.4 总结 14
第 2 章 联邦学习应用场景 15
2.1 联邦学习与金融 15
2.2 联邦学习与生物医学 17
2.3 联邦学习与计算机视觉 19
2.4 联邦学习与自然语言处理 22
2.5 联邦学习与边缘计算和云计算 25
2.6 联邦学习与计算机硬件 27
2.7 总结 29
第 3 章 常用隐私保护技术 30
3.1 面向隐私保护的机器学习 30
3.1.1 概述 30
3.1.2 面向隐私保护的机器学习发展 33
3.2 常用的隐私保护技术 34
3.2.1 差分隐私 34
3.2.2 安全多方计算 41
3.2.3 同态加密 49
3.3 总结 66
第二部分 联邦学习算法详述
第 4 章 纵向联邦树模型算法 68
4.1 树模型简介 68
4.2 纵向联邦随机森林算法 69
4.2.1 算法结构 69
4.2.2 算法详述 70
4.2.3 安全性分析 71
4.3 纵向联邦梯度提升算法 75
4.3.1 XGBoost 算法 76
4.3.2 SecureBoost 算法 76
4.3.3 所提算法详述 77
4.4 总结 78
第 5 章 纵向联邦线性回归算法 79
5.1 纵向联邦线性回归 80
5.1.1 算法训练过程 81
5.1.2 算法预测过程 81
5.1.3 纵向联邦的一个困境 82
5.2 联邦多视角线性回归 82
5.2.1 基于 BFGS 的二阶优化方法 84
5.2.2 安全计算协议 87
5.3 总结 92
第 6 章 纵向联邦核学习算法 93
6.1 引言 93
6.2 双随机核方法 95
6.2.1 问题定义 95
6.2.2 核方法的简要介绍 96
6.2.3 随机傅里叶特征近似 98
6.2.4 双随机梯度 98
6.3 所提算法 99
6.3.1 问题表示 100
6.3.2 算法结构 100
6.3.3 算法设计 101
6.3.4 场景案例 103
6.4 理论分析 105
6.4.1 收敛性分析 105
6.4.2 安全性分析 105
6.4.3 复杂度分析 106
6.5 实验验证 106
6.5.1 实验设置 106
6.5.2 实验结果和讨论 107
6.6 总结 110
第 7 章 异步纵向联邦学习算法 111
7.1 引言 111
7.2 相关工作 112
7.2.1 现有工作概述 112
7.2.2 SGD 类算法回顾 113
7.3 问题表示 114
7.4 所提算法 114
7.4.1 算法框架 114
7.4.2 算法详述 116
7.4.3 场景案例 119
7.5 理论分析 120
7.5.1 收敛性分析 120
7.5.2 安全性分析 123
7.5.3 复杂度分析 124
7.6 实验验证 125
7.6.1 实验设置 125
7.6.2 实验结果和讨论 127
7.7 总结 131
第 8 章 基于反向更新的双层异步纵向联邦学习算法 132
8.1 引言 132
8.2 问题表示 133
8.3 所提算法 134
8.3.1 算法框架 134
8.3.2 算法详述 136
8.3.3 场景案例 137
8.4 理论分析 138
8.4.1 收敛性分析——强凸问题 139
8.4.2 收敛性分析——非凸问题 141
8.4.3 安全性分析 142
8.5 实验验证 143
8.5.1 实验设置 143
8.5.2 实验结果和讨论 144
8.6 总结 147
第 9 章 纵向联邦深度学习算法 148
9.1 引言 148
9.2 所提算法 149
9.2.1 算法框架 149
9.2.2 算法详述 150
9.2.3 场景案例 151
9.3 理论分析 153
9.3.1 复杂度分析 153
9.3.2 安全性分析 153
9.4 实验验证 154
9.4.1 实验设置 154
9.4.2 实验结果和讨论 154
9.5 总结 155
第 10 章 快速安全的同态加密数据挖掘框架 156
10.1 引言 156
10.2 相关工作 157
10.3 同态加密数据挖掘框架 159
10.3.1 算法框架 159
10.3.2 算法详述 160
10.4 实验验证 163
10.4.1 分布式学习场景 163
10.4.2 联邦学习场景 167
10.5 总结 168
第 11 章 横向联邦学习算法 170
11.1 横向联邦学习简介 170
11.2 常见的分布式优化算法 172
11.2.1 同步并行算法 174
11.2.2 异步并行算法 175
11.3 同步横向联邦学习算法 178
11.4 异步横向联邦学习算法 181
11.5 快速通信的横向联邦学习算法 186
11.6 总结 187
第 12 章 混合联邦学习算法 189
12.1 混合联邦学习算法的场景需求 189
12.2 算法详述 191
12.2.1 梯度更新 192
12.2.2 混合节点分裂 192
12.2.3 模型保存和混合推理 196
12.3 总结 198
第 13 章 联邦强化学习 199
13.1 强化学习概述 199
13.1.1 马尔可夫性 200
13.1.2 不同类别的策略 200
13.1.3 期望收益 201
13.1.4 学习策略的不同部分和设置 202
13.2 强化学习算法简介 204
13.2.1 基于价值的 RL 204
13.2.2 基于策略的 RL 207
13.2.3 基于模型的 RL 210
13.3 分布式和联邦强化学习 213
13.3.1 分布式强化学习 213
13.3.2 联邦强化学习 214
13.4 总结 217
第三部分 联邦学习系统
第 14 章 FedLearn 联邦学习系统 220
14.1 已开源联邦学习系统及其痛点 220
14.1.1 编程语言与环境 220
14.1.2 大数据与计算效率 221
14.2 FedLearn 联邦学习系统的优势 222
14.3 FedLearn 系统架构设计 223
14.3.1 常见的联邦学习系统架构 223
14.3.2 FedLearn 架构总览 224
14.3.3 FedLearn 标准架构功能 225
14.3.4 分布式联邦学习 228
14.3.5 区块链联邦学习架构 229
14.4 FedLearn 跨语言算法支持 232
14.5 高性能 RPC 开源框架 gRPC 236
14.5.1 gRPC 独有的优势 236
14.5.2 gRPC 的重要概念 238
14.6 FedLearn 系统服务和算法解耦 242
14.6.1 自动调度系统 243
14.6.2 组件化 243
14.6.3 其他系统层面优化 244
14.7 FedLearn 部署与使用 244
14.7.1 系统组件与功能 244
14.7.2 标准版部署 245
14.7.3 分布式版部署 248
14.7.4 容器版部署 249
14.7.5 界面操作和 API 250
14.8 总结 253
第 15 章 gRPC 在 FedLearn 中的联邦学习应用实例 254
15.1 应用实例一：纵向联邦随机森林学习算法 254
15.2 应用实例二：横向联邦学习场景 258
15.2.1 横向联邦学习场景简述 258
15.2.2 FedLearn 中横向联邦学习框架的设计和实现 258
15.2.3 应用 gRPC 支持不同类型的模型 262
15.3 总结 264
第 16 章 落地场景中的性能优化实践 265
16.1 FedLearn 业务场景简介 265
16.1.1 金融产品精准营销监控 265
16.1.2 智能信用评分 265
16.2 从 0 到 1 实践联邦学习算法优化 266
16.3 性能优化 267
16.3.1 GMP 计算库 268
16.3.2 同态加密计算协议优化 271
16.4 工程服务性能优化 273
16.4.1 并行优化 273
16.4.2 多机信息传输优化 274
16.5 实时推理优化 277
16.6 总结 278
第 17 章
相关推荐
— 没有更多了 —
以下为对购买帮助不大的评价