掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
聯邦學習 版權信息
- ISBN：9787302679431
- 條形碼：9787302679431 ; 978-7-302-67943-1
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>>
聯邦學習 本書特色
隨著國內一個個聯邦學習項目的落地，可以肯定地說，聯邦學習將成為未來國內乃至全球信息系統發展的重要技術基礎。聯邦學習作為隱私保護的解決方案，能夠在不共享數據的情況下進行聯合建模和持續模型訓練，解決數據隱私和安全問題。它能有效解決企業數據孤島問題，實現行業生態的人工智能的協作。聯邦學習在企業應用、金融、醫療、推薦系統等領域有廣泛應用，并且在技術發展和商業化方面具有巨大潛力。
本書匯集了聯邦學習領域的**研究人員的經驗和成果，從各個角度論述了聯邦學習的發展歷程、關鍵技術和應用前景。通過本書的閱讀，您將對聯邦學習有更深入的了解，也將對如何應用聯邦學習技術有更清晰的認識。無論是從學術研究還是實際應用的角度，您都能找到研究方向，它們在以后的工作中具有實際的參考意義和價值。
聯邦學習 內容簡介
"《聯邦學習》為研究人員和從業者深入探討了聯邦學習*重要的問題和方法。 聯邦學習(Federated Learning，FL)是一種機器學習方法，其中訓練數據不是集中管理的。數據由參與聯邦學習過程的各方保留，不與任何其他實體共享。這使得聯邦學習成為一種日益流行的機器學習解決方案，適用于因隱私、監管或實際原因而難以將數據集中到一個存儲庫中的任務。 本書闡述了聯邦學習的**研究進展和**進的發展成果，包括從*初構想到首次應用和商業化使用。為了全面、深入地了解這個領域，研究人員從不同的角度探討了聯邦學習:機器 學習、隱私和安全、分布式系統以及具體應用領域。讀者將從這些角度了解聯邦學習所面臨的挑戰、它們之間的相互關系，以及解決這些挑戰的前沿方法。 本書第1章介紹了聯邦學習的基礎知識，之后的24章深入探討了各種不同的主題。第l部分涉及以聯邦方式解決各種機器學習任務的算法問題，以及如何進行高效、規模化和公平的訓 練。第I部分主要介紹聯邦學習過程運行的系統的實際問題。第川部分著重介紹如何選擇隱私和安全解決方案，以適應特定的應用場景。第IV部分講解了聯邦學習的其他重要應用案例，如拆分學習和縱向聯邦學習。*后，第V部分介紹實際企業環境中聯邦學習的應用和案例。"
聯邦學習聯邦學習 前言
親愛的讀者，很榮幸能夠為大家帶來這本《聯邦學習》的中文版。作為一名機器學習領域的研究者和從業人員，我深知聯邦學習作為一種新的學習范式對機器學習領域的重要性和帶來的挑戰！堵摪顚W習》旨在為讀者提供一個全面而深入的了解聯邦學習的平臺，幫助大家更好地理解聯邦學習的概念、原理和應用，并且將聯邦學習的*新研究進展和技術成果帶給大家。
2018年，我從北京大學畢業后，工作中一次偶然的機會讓我開始研究聯邦學習，從研究理論到工程實踐，再到商業應用，在聯邦學習領域取得的每一次進展都歷歷在目。不得不說，聯邦學習是非常有挑戰性同時具有巨大發展前景的研究課題。2018年，我從*早的端云聯邦學習開始研究，將端云聯邦應用于圖片、文本以及推薦領域。2020年，我開始探索企業之間的縱向聯邦學習方向，研究縱向聯邦學習在營銷領域的應用與落地。聯邦學習面臨的不僅是一些學術領域的挑戰，更多的是工程實踐以及落地應用帶來的工程問題和成本效率問題。
《聯邦學習》匯集了聯邦學習領域的**研究人員的經驗和成果，從各個角度論述了聯邦學習的發展歷程、關鍵技術和應用前景。這里，我要感謝原書的作者以及參考文獻的學者，他們的研究成果和深刻見解使得本書足以成為聯邦學習領域的一本重要參考書。
聯邦學習 目錄
第Ⅰ部分 聯邦學習概述及其作為
機器學習方法的問題
第1章 聯邦學習介紹 3
1.1 概述 3
1.2 概念與術語 5
1.3 機器學習視角 7
1.3.1 深度神經網絡 7
1.3.2 經典機器學習模型 9
1.3.3 橫向聯邦學習、縱向
聯邦學習和拆分學習 11
1.3.4 模型個性化 12
1.4 安全和隱私 13
1.4.1 操縱攻擊 14
1.4.2 推斷攻擊 15
1.5 聯邦學習系統 16
1.6 本章小結 18
第2章 采用基于樹的模型的聯邦
學習系統 25
2.1 介紹 25
2.1.1 基于樹的模型 26
2.1.2 聯邦學習中基于樹的
模型的關鍵研究挑戰 27
2.1.3 聯邦學習中基于樹的
模型的優勢 27
2.2 基于樹的聯邦學習方法
綜述 28
2.2.1 橫向與縱向聯邦
學習 29
2.2.2 聯邦學習中基于樹的
算法類型 30
2.2.3 基于樹的聯邦學習的
安全需求 30
2.2.4 聯邦學習中基于樹的
模型的實現 31
2.3 決策樹和梯度提升的初步
探討 31
2.3.1 聯邦學習系統 31
2.3.2 集中式ID3模型初探 32
2.3.3 梯度提升初探 33
2.4 用于聯邦學習的決策樹 34
2.5 用于聯邦學習的
XGBoost 37
2.6 開放性問題及未來研究
方向 41
2.6.1 數據保真度閾值策略 41
2.6.2 基于樹的聯邦學習
模型的公平性和偏差
緩解方法 41
2.6.3 在其他網絡拓撲上訓練
基于樹的聯邦學習
模型 41
2.7 本章小結 42
第3章 語義向量化：基于文本和
圖的模型 47
3.1 介紹 47
3.2 背景 48
3.2.1 自然語言處理 48
3.2.2 文本向量化器 49
3.2.3 圖向量化器 50
3.3 問題表述 51
3.3.1 共同學習 51
3.3.2 向量空間映射 52
3.4 實驗與設置 54
3.4.1 數據集 54
3.4.2 實現 55
3.5 結果：共同學習 55
3.6 結果：向量空間映射 57
3.6.1 余弦距離 57
3.6.2 排名相似度 58
3.7 本章小結 58
第4章 聯邦學習中的個性化 63
4.1 介紹 63
4.2 個性化的**步 65
4.2.1 對全局模型進行個性化
微調 65
4.2.2 作為一階元學習方法的
聯邦平均 65
4.3 個性化策略 66
4.3.1 客戶端(參與方)聚類 67
4.3.2 客戶端語境化 68
4.3.3 數據增強 70
4.3.4 蒸餾 70
4.3.5 元學習方法 71
4.3.6 模型混合 72
4.3.7 模型正則化 74
4.3.8 多任務學習 76
4.4 個性化技術的基準 77
4.4.1 合成聯邦數據集 77
4.4.2 模擬聯邦數據集 77
4.4.3 公共聯邦數據集 78
4.5 偶然參數問題 79
4.6 本章小結 80
第5章 使用Fed 進行個性化的魯
棒聯邦學習 87
5.1 介紹 87
5.2 文獻綜述 88
5.3 聯邦學習訓練失敗的
示例 89
5.4 個性化聯邦學習 91
5.4.1 問題表述 91
5.4.2 處理魯棒聚合 92
5.4.3 個性化 93
5.4.4 均值與魯棒聚合的重
組與統一 93
5.4.5 Fed 算法 95
5.4.6 Fed 的均值和魯棒
變體 95
5.4.7 從Fed 推導現有算法 97
5.5 Fed 的固定點 97
5.6 收斂性分析 100
5.7 實驗 103
5.7.1 數據集 103
5.7.2 結果 104
5.8 本章小結 105
第6章 通信高效的分布式優化
算法 109
6.1 介紹 109
6.2 本地更新SGD和
FedAvg 111
6.2.1 本地更新SGD及其
變體 111
6.2.2 FedAvg算法及其
變體 114
6.3 模型壓縮 116
6.3.1 帶有壓縮更新的
SGD 116
6.3.2 自適應壓縮率 120
6.3.3 模型剪枝 121
6.4 本章小結 121
第7章 通信高效的模型融合 127
7.1 介紹 127
7.2 模型的置換不變結構 128
7.2.1 匹配平均的一般
表述 129
7.2.2 求解匹配平均 130
7.3 概率聯邦神經匹配 131
7.3.1 PFNM生成過程 131
7.3.2 PFNM推理 132
7.3.3 實踐中的PFNM 135
7.4 帶有SPAHM的無監督
聯邦學習 136
7.4.1 SPAHM模型 137
7.4.2 SPAHM推理 137
7.4.3 實踐中的SPAHM 138
7.5 后驗分布的模型融合 140
7.5.1 KL散度下的模型
融合 140
7.5.2 實踐中的KL-fusion 142
7.6 低通信預算的深度神經
網絡融合 143
7.6.1 將PFNM擴展到深度
神經網絡 144
7.6.2 實踐中的FedMA 146
7.7 模型融合的理論理解 147
7.7.1 預備知識：參數化
模型 147
7.7.2 聯邦設置中模型融合的
優點和缺點 149
7.8 本章小結 150
第8章 聯邦學習與公平性 155
8.1 介紹 155
8.2 預備知識和現有的緩解
方法 156
8.2.1 符號和術語 156
8.2.2 偏差緩解方法的
類型 157
8.2.3 數據隱私和偏差 157
8.3 偏差來源 158
8.3.1 集中式和聯邦式的
原因 158
8.3.2 聯邦學習的特定
原因 159
8.4 文獻探究 160
8.4.1 集中式方法 160
8.4.2 聯邦學習采用集中式
方法 162
8.4.3 沒有敏感屬性的偏差
緩解 163
8.5 衡量偏差 164
8.6 未解決的問題 164
8.7 本章小結 165
第Ⅱ部分 系統和框架
第9章 聯邦學習系統介紹 171
9.1 介紹 171
9.2 跨設備聯邦學習與跨孤島
聯邦學習 172
9.3 跨設備聯邦學習 173
9.3.1 問題表述 173
9.3.2 系統概述 174
9.3.3 訓練過程 175
9.3.4 挑戰 176
9.4 跨孤島聯邦學習 178
9.4.1 問題表述 178
9.4.2 系統概述 178
9.4.3 訓練過程 179
9.4.4 挑戰 180
9.5 本章小結 182
第10章 聯邦學習系統的本地
訓練和可擴展性 187
10.1 參與方本地訓練 187
10.1.1 計算資源 187
10.1.2 內存 188
10.1.3 能量 189
10.1.4 網絡 190
10.2 大規模聯邦學習系統 192
10.2.1 聚類聯邦學習 192
10.2.2 分層聯邦學習 194
10.2.3 去中心化聯邦
學習 197
10.2.4 異步聯邦學習 199
10.3 本章小結 201
第11章 掉隊者管理 205
11.1 介紹 205
11.2 異構性影響研究 206
11.2.1 制定標準的聯邦
學習 206
11.2.2 異構性影響分析 207
11.2.3 實驗研究 208
11.3 TiFL的設計 209
11.3.1 系統概述 209
11.3.2 分析和分層 210
11.3.3 稻草人提議：靜態層
選擇算法 211
11.3.4 自適應層選擇
算法 211
11.3.5 訓練時間估計
模型 213
11.4 實驗評估 214
11.4.1 實驗設置 214
11.4.2 資源異構性 217
11.4.3 數據異構性 218
11.4.4 資源加數據
異構性 219
11.4.5 自適應選擇策略 221
11.4.6 TiFL的評估 222
11.5 本章小結 223
第12章 聯邦學習中的系統
偏差 227
12.1 介紹 227
12.2 背景 228
12.2.1 機器學習中的
公平性 229
12.2.2 聯邦學習中的
公平性 229
12.2.3 聯邦學習中的資源
使用 229
12.3 特性研究 230
12.3.1 性能指標 230
12.3.2 公平性與訓練時間的
權衡 231
12.3.3 參與方退出對公平性
和模型誤差的
影響 232
12.3.4 成本與模型誤差的
權衡 232
12.4 方法論 233
12.4.1 問題表述 233
12.4.2 DCFair概述 234
12.4.3 選擇概率 234
12.4.4 選擇互惠性 235
12.5 評估 236
12.5.1 成本分析 237
12.5.2 模型誤差與公平性
分析 237
12.5.3 訓練時間分析 238
12.5.4 帕累托*優性
分析 239
12.6 本章小結 240
第Ⅲ部分 隱私和安全
第13章 聯邦學習中應對隱私威脅
的防御措施 247
13.1 介紹 247
13.2 系統實體、攻擊面和推斷
攻擊 249
13.2.1 系統設置、假設和
攻擊面 250
13.2.2 潛在對手 250
13.2.3 聯邦學習中的推斷
攻擊 251
13.3 減輕聯邦學習中的推斷
威脅 256
13.3.1 安全聚合方法 258
13.3.2 句法和擾動方法 262
13.3.3 可信執行環境 264
13.3.4 其他分布式機器
學習和縱向聯邦
學習技術 265
13.4 選擇合適的防御措施 265
13.4.1 完全可信的聯邦 265
13.4.2 確保聚合器可信 266
13.4.3 聚合器不可信的
聯邦 266
13.5 本章小結 267
第14章 聯邦學習中的隱私參數
聚合 277
14.1 介紹 277
14.2 重點、信任模型和
假設 278
14.3 差分隱私聯邦學習 279
14.3.1 差分隱私的背景
知識 279
14.3.2 將差分隱私應用于
SGD 280
14.3.3 實驗和討論 281
14.4 加法同態加密 283
14.4.1 參與方、學習器和
管理域 284
14.4.2 架構 284
14.4.3 MYSTIKO算法 285
14.4.4 一個管理域內有多個
學習器 288
14.5 可信執行環境 289
14.6 基于HE和TEE的聚合
與SMC的比較 291
14.6.1 MYSTIKO和SPDZ
的比較 291
14.6.2 使用TEE的開銷：
AMD SEV 293
14.7 本章小結 293
第15章 聯邦學習中的數據
泄露 299
15.1 介紹 299
15.1.1 動機 299
15.1.2 背景及相關研究 300
15.1.3 隱私保護 302
15.2 聯邦學習中的數據泄露
攻擊 305
15.3 性能評估 310
15.3.1 實驗設置和數據集 310
15.3.2 HFL設置中的
CAFE 311
15.3.3 VFL設置中的
CAFE 314
15.3.4 在聯邦學習訓練
過程中攻擊 314
15.3.5 消融實驗 315
15.4 本章小結 317
15.4.1 CAFE小結 317
15.4.2 相關討論 317
第16章 聯邦學習中的安全性和
魯棒性 323
16.1 介紹 323
16.2 聯邦學習中的威脅 324
16.2.1 攻擊者的類型 325
16.2.2 攻擊者的能力 326
16.2.3 攻擊者的目標 327
16.2.4 攻擊者的了解
程度 328
16.2.5 攻擊策略 329
16.3 防御策略 329
16.3.1 防御收斂攻擊 331
16.3.2 基于參與方的時間
一致性的防御 334
16.3.3 基于冗余的防御 336
16.4 攻擊 336
16.4.1 收斂攻擊 337
16.4.2 針對性的模型
投毒 339
16.5 本章小結 340
第17章 處理神經網絡中的
拜占庭威脅 347
17.1 背景和動機 347
17.1.1 拜占庭威脅 348
17.1.2 緩解拜占庭威脅
影響的挑戰 349
17.2 基于梯度的魯棒性 350
17.2.1 梯度平均 351
17.2.2 威脅模型 352
17.2.3 坐標中位數 352
17.2.4 Krum 353
17.3 對拜占庭威脅的分層
魯棒性 354
17.4 LEGATO：分層梯度
聚合 357
17.4.1 LEGATO 357
17.4.2 LEGATO的復雜度
分析 360
17.5 比較基于梯度和分層的
魯棒性 360
17.5.1 處理非IID參與方
數據分布 361
17.5.2 處理拜占庭失敗 361
17.5.3 處理過參數化神經
網絡 363
17.5.4 日志大小的
有效性 364
17.6 本章小結 364
第Ⅳ部分 橫向聯邦學習之外：
以不同方式劃分模型和數據
第18章 保護隱私的縱向聯邦
學習 371
18.1 介紹 371
18.2 理解縱向聯邦學習 372
18.2.1 符號、術語和
假設 373
18.2.2 縱向聯邦學習的
兩個階段 373
18.3 在縱向聯邦學習中應用
梯度下降的挑戰 374
18.3.1 集中式機器學習中的
梯度下降 375
18.3.2 縱向聯邦學習中的
梯度下降 375
18.4 典型的縱向聯邦學習解決
方案 376
18.4.1 對比通信拓撲和
效率 376
18.4.2 對比隱私保護機制
及其威脅模型 378
18.4.3 對比支持的機器學習
模型 379
18.5 FedV：一種高效的縱向
聯邦學習框架 380
18.5.1 FedV概述 380
18.5.2 FedV威脅模型和
假設 381
18.5.3 縱向訓練過程：
FedV-SecGrad 382
18.5.4 分析與討論 385
18.6 本章小結 386
第19章 拆分學習 391
19.1 介紹 391
19.2 通信效率 393
19.3 延遲 394
19.4 拆分學習拓撲結構 394
19.4.1 多樣的配置 394
19.4.2 用ExpertMatcher
進行模型選擇 396
19.4.3 實現詳情 396
19.5 利用拆分學習進行協作
推斷 397
19.5.1 在協作推斷中防止
重建攻擊 398
19.5.2 激活值共享的差分
隱私 399
19.6 本章小結 399
第Ⅴ部分 應用
第20章 聯邦學習在協同金融
犯罪偵查中的應用 405
20.1 金融犯罪偵查簡介 405
20.1.1 利用機器學習和圖
學習打擊金融
犯罪 406
20.1.2 全球金融犯罪檢測的
需求與貢獻 406
20.2 圖學習 406
20.3 用于金融犯罪檢測的
聯邦學習 407
20.3.1 本地特征計算 407
20.3.2 全局特征計算 407
20.3.3 聯邦學習 408
20.4 評估 408
20.4.1 數據集和圖建模 408
20.4.2 參與方關系圖的圖
特征 409
20.4.3 模型準確性 410
20.5 本章小結 412
第21章 投資組合管理的聯邦
強化學習 415
21.1 介紹 415
21.2 深度強化學習公式 416
21.3 金融投資組合管理 416
21.4 數據增強方法 418
21.4.1 幾何布朗運動 418
21.4.2 可變階馬爾可夫
模型 418
21.4.3 生成對抗網絡 418
21.5 實驗結果 419
21.5.1 實驗設置 419
21.5.2 數值結果 421
21.6 本章小結 426
第22章 聯邦學習在醫學影像中的
應用 429
22.1 介紹 429
22.2 圖像分割 431
22.3 3D圖像分類 432
22.4 2D圖像分類 435
22.5 討論 437
22.6 本章小結 438
第23章 通過聯邦學習推進醫療
保健解決方案 445
23.1 介紹 445
23.2 聯邦學習如何應用于
醫療保健 446
23.3 使用IBM FL構建醫療
保健聯邦學習平臺 447
23.4 醫療保健領域應用聯邦
學習構建平臺和解決方案
的指導原則 448
23.4.1 基礎設施設計 448
23.4.2 數據連接器設計 448
23.4.3 用戶體驗設計 448
23.4.4 部署注意事項 449
23.5 醫療保健領域聯邦學習的
核心技術考慮事項 449
23.5.1 數據異構性 449
23.5.2 模型治理和激勵 450
23.5.3 信任和隱私考慮 450
23.6 本章小結 451
第24章 保護隱私的產品推薦
系統 453
24.1 介紹 453
24.2 相關研究 455
24.3 聯邦推薦系統 455
24.3.1 算法 457
24.3.2 實現 458
24.4 結果 460
24.5 本章小結 462
第25章 聯邦學習在電信和邊緣
計算中的應用 465
25.1 概述 465
25.2 用例 466
25.2.1 車輛網絡 466
25.2.2 跨境支付 466
25.2.3 邊緣計算 467
25.2.4 網絡攻擊 467
25.2.5 6G 468
25.2.6 “緊急服務”用例演示
聯邦學習的能力 469
25.3 挑戰與未來方向 471
25.3.1 安全和隱私挑戰及
注意事項 471
25.3.2 環境方面的考慮 471
25.3.3 數據方面的考慮 471
25.3.4 監管方面的考慮 472
25.4 本章小結 472
展開全部
書友推薦
- >
我從未如此眷戀人間
- >
羅曼·羅蘭讀書隨筆-精裝
- >
月亮與六便士
- >
唐代進士錄
- >
朝聞道
- >
推拿
- >
山海經
- >
伊索寓言-世界文學名著典藏-全譯本
本類暢銷
