万本电子书0元读

万本电子书0元读

顶部广告

联邦学习电子书

《联邦学习》凝聚了杨强教授带领的微众银行AI团队在联邦学习领域的多年学术成果和工程经验 全面、系统论述联邦学习理论、算法、平台及应用的中文专著 剖析了联邦学习与数据安全、隐私保护的前沿学术成果 涵盖隐私保护技术,联邦学习定义、分类、算法和系统,联邦学习激励机制等 论述联邦学习在计算机视觉、自然语言处理和推荐系统等领域的应用 探讨如何解决用户隐私、数据安全及联邦学习应用落地问题

售       价:¥

纸质售价:¥59.70购买纸书

450人正在读 | 0人评论 6.2

作       者:Qiang Yang,et al

出  版  社:电子工业出版社

出版时间:2020-05-01

字       数:16.9万

所属分类: 科技 > 计算机/网络 > 程序设计

温馨提示:数字商品不支持退换货,不提供源文件,不支持导出打印

为你推荐

  • 读书简介
  • 目录
  • 累计评论(0条)
  • 读书简介
  • 目录
  • 累计评论(0条)
如何在保证本地训练数据不公的前提下,实现多个数据拥有者协同训练一个共享的机器学习模型?传统的机器学习方法需要将所有的数据集中到一个地方(例如,数据中心),然后行机器学习模型的训练。但这种基于集中数据的做法无疑会严重侵害用户隐私和数据安全。如今,世界上越来越多的人始强烈要求科技公司必须根据用户隐私法律法规妥善地处理用户的数据,欧盟的《通用数据保护条例》是一个很好的例子。在本书中,我们将描述联邦学习(亦称联邦机器学习)如何将分布式机器学习、密码学、基于金融规则的激励机制和博弈论结合起来,以解决分散数据的使用问题。我们会介绍不同种类的面向隐私保护的机器学习解决方案以及技术背景,并描述一些典型的实际问题解决案例。我们还会一步论述联邦学习将成为下一代机器学习的基础,可以满足技术和社会需求并促面向安全的人工智能的发和应用。<br/>【推荐语】<br/>《联邦学习》凝聚了杨强教授带领的微众银行AI团队在联邦学习领域的多年学术成果和工程经验 全面、系统论述联邦学习理论、算法、平台及应用的中文专著 剖析了联邦学习与数据安全、隐私保护的前沿学术成果 涵盖隐私保护技术,联邦学习定义、分类、算法和系统,联邦学习激励机制等 论述联邦学习在计算机视觉、自然语言处理和推荐系统等领域的应用 探讨如何解决用户隐私、数据安全及联邦学习应用落地问题<br/>【作者】<br/>杨强 杨强教授是微众银行的首席人工智能官(CAIO)和香港科技大学(HKUST)计算机科学与工程系讲席教授。他是香港科技大学计算机科学与工程系的前任系主任,并曾担任大数据研究院的创始主任(2015-2018 年)。他的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。他是多个国际协会的会士(Fellow),包括ACM、AAAI、IEEE、IAPR 和AAAS。他于1982 年获得北京大学天体物理学学士学位,分别于1987年和1989 年获得马里兰大学帕克分校计算机科学系硕士学位和博士学位。他曾在在滑铁卢大学(1989-1995 年)和西蒙弗雷泽大学(1995-2001 年)担任教授。他是ACM TIST 和IEEE TBD 的创始主编。他是国际人工智能联合会议(IJCAI)的理事长(2017-2019 年)和人工智能发展协会(AAAI)的执行委员会成员(2016-2020 年)。杨强教授曾获多个奖项,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)。他是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。他是Intelligent Planning (Springer)、Crafting Your Research Future (Morgan & Claypool)、Transfer Learning (Cambridge University Press)与Constraint-based Design Recovery for Software Engineering (Springer)等著作的作者。   刘洋 刘洋是微众银行AI 项目组的高级研究员。她的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。她于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。她拥有多项国际发明专利,研究成果曾发表于Nature、IJCAI 和ACM TIST 等科研刊物和会议上。她曾获AAAI 人工智能创新应用奖、IJCAI 创新应用奖等多个奖项,并担任IJCAI 高级程序委员会委员,NeurIPS 等多个人工智能会议研讨会联合主席,以及IEEE Intelligent Systems 期刊客座编委等。   程勇 程勇是微众银行AI 项目组的高级研究员。他曾任华为技术有限公司(深圳)高级工程师和德国贝尔实验室高级研究员,也曾在华为-香港科技大学创新实验室担任研究员。他的研究兴趣和专长主要包括联邦学习、深度学习、计算机视觉和OCR、数学优化理论和算法、分布式和网络计算以及混合整数规划。他发表期刊和会议论文20 余篇。他于2006 年、2010 年、2013 年分别在浙江大学、香港科技大学、德国达姆施塔特工业大学获工学学士学位(一等荣誉)、硕士学位和博士学位。他于2014 年获达姆施塔特工业大学博士论文奖,于2006 年获浙江大学学士论文奖。他在ICASSP’15 会议上做了关于“混合整数规划”的教程。他是IJCAI’19 和NIPS’19 等国际会议的程序委员会委员。   康焱 康焱是微众银行AI 项目组的高级研究员。他的工作重是面向隐私保护的机器学习和联邦迁移学习技术的研究和实现。他在马里兰大学巴尔的摩分校获计算机硕士和博士学位。他的博士论文研究的是以机器学习和语义网络行异构数据集成,并获得了博士论文奖学金。在就读研究生期间,他参与了与美国国家标准与技术研究院(NIST)和美国国家科学基金会(NSF)合作的多个项目,设计和发语义网络集成系统。他在商业软件项目方面也有着丰富的经验。他曾在美国Stardog Union 公司和美国塞纳公司工作了四年多的时间,从事系统设计和实现方面的工作。   陈天健 陈天健是微众银行AI 项目组的副总经理。他现在负责构建基于联邦学习技术的银行智能生态系统。在加微众银行之前,他是百度金融的首席架构师,同时也是百度的首席架构师。他拥有超过12 年的大规模分布式系统设计经验,并在Web 搜索引擎、对等网络存储、基因组学、推荐系统、数字银行和机器学习等多个应用领域中实现了技术创新。他现居于中国深圳,与其他工作伙伴一起建设和推广联邦AI 生态系统和相关的源项目FATE。   于涵 于涵现任职新加坡南洋理工大学(NTU)计算机科学与工程学院助理教授、微众银行特聘顾问。在2015—2018 年期间,他在南洋理工大学担任李光耀博士后研究员(LKY PDF)。在加南洋理工大学之前,他曾在新加坡惠普公司担任嵌式软件工程师。他于2014 年获南洋理工大学计算机科学博士学位。他的研究重是在线凸优化、人工智能伦理、联邦学习及其在众包等复杂协作系统中的应用。他在国际学术会议和期刊上发表研究论文120 余篇,获得了多项科研奖项。<br/>
目录展开

内容简介

序言

前言

致谢

作者简介

读者服务

第1章 引言

1.1 人工智能面临的挑战

1.2 联邦学习概述

1.3 联邦学习的发展

第2章 隐私、安全及机器学习

2.1 面向隐私保护的机器学习

2.2 面向隐私保护的机器学习与安全机器学习

2.3 威胁与安全模型

2.4 隐私保护技术

第3章 分布式机器学习

3.1 分布式机器学习介绍

3.2 面向扩展性的DML

3.3 面向隐私保护的DML

3.4 面向隐私保护的梯度下降方法

3.5 挑战与展望

第4章 横向联邦学习

4.1 横向联邦学习的定义

4.2 横向联邦学习架构

4.3 联邦平均算法介绍

4.4 联邦平均算法的改进

4.5 相关工作

4.6 挑战与展望

第5章 纵向联邦学习

5.1 纵向联邦学习的定义

5.2 纵向联邦学习的架构

5.3 纵向联邦学习算法

5.4 挑战与展望

第6章 联邦迁移学习

6.1 异构联邦学习

6.2 联邦迁移学习的分类与定义

6.3 联邦迁移学习框架

6.4 挑战与展望

第7章 联邦学习激励机制

7.1 贡献的收益

7.2 注重公平的收益分享框架

7.3 挑战与展望

第8章 联邦学习与计算机视觉、自然语言处理及推荐系统

8.1 联邦学习与计算机视觉

8.2 联邦学习与自然语言处理

8.3 联邦学习与推荐系统

第9章 联邦强化学习

9.1 强化学习介绍

9.2 强化学习算法

9.3 分布式强化学习

9.4 联邦强化学习

9.5 挑战与展望

第10章 应用前景

10.1 金融

10.2 医疗

10.3 教育

10.4 城市计算和智慧城市

10.5 边缘计算和物联网

10.6 区块链

10.7 第五代移动网路

第11章 总结与展望

附录A 数据保护法律和法规

A.1 欧盟的数据保护法规

A.2 美国的数据保护法规

A.3 中国的数据保护法规

参考文献

累计评论(0条) 0个书友正在讨论这本书 发表评论

发表评论

发表评论,分享你的想法吧!

买过这本书的人还买过

读了这本书的人还在读

回顶部