联邦学习实战电子书

前折页

内容简介

致谢

前言

第一部分 联邦学习基础

CHAPTER 1 联邦学习概述

1.1 数据资产的重要性

1.2 联邦学习提出的背景

1.3 联邦学习的定义

1.4 联邦学习的分类

1.5 联邦学习算法现状

CHAPTER 2 联邦学习的安全机制

2.1 基于同态加密的安全机制

2.1.1 同态加密的定义

2.1.2 同态加密的分类

2.2 基于差分隐私的安全机制

2.2.1 差分隐私的定义

2.2.2 差分隐私的实现机制

2.3 基于安全多方计算的安全机制

2.3.1 秘密共享

2.3.2 不经意传输

2.3.3 混淆电路

2.4 安全机制的性能效率对比

2.5 基于Python的安全计算库

第二部分 联邦学习快速入门

CHAPTER 3 用Python从零实现横向联邦图像分类

3.1 环境配置

3.2 PyTorch基础

3.2.1 创建Tensor

3.2.2 Tensor与Python数据结构的转换

3.2.3 数据操作

3.2.4 自动求导

3.3 用Python实现横向联邦图像分类

3.3.1 配置信息

3.3.2 训练数据集

3.3.3 服务端

3.3.4 客户端

3.3.5 整合

3.4 联邦训练的模型效果

3.4.1 联邦训练与集中式训练的效果对比

3.4.2 联邦模型与单点训练模型的对比

CHAPTER 4 微众银行FATE平台

4.1 FATE平台架构概述

4.2 FATE安装与部署

4.2.1 单机部署

4.2.2 集群部署

4.2.3 KubeFATE部署

4.3 FATE编程范式

4.4 FATE应用案例

CHAPTER 5 用FATE从零实现横向逻辑回归

5.1 数据集的获取与描述

5.2 逻辑回归

5.3 横向数据集切分

5.4 横向联邦模型训练

5.4.1 数据输入

5.4.2 模型训练

5.4.3 模型评估

5.5 多参与方环境配置

CHAPTER 6 用FATE从零实现纵向线性回归

6.1 数据集的获取与描述

6.2 纵向数据集切分

6.3 纵向联邦训练

6.3.1 数据输入

6.3.2 样本对齐

6.3.3 模型训练

6.3.4 模型评估

CHAPTER 7 联邦学习实战资源

7.1 FATE帮助文档

7.2 本书配套的代码

7.3 其他联邦学习平台

7.3.1 TensorFlow-Federated

7.3.2 OpenMined PySyft

7.3.3 NVIDIA Clara联邦学习平台

7.3.4 百度PaddleFL

7.3.5 腾讯AngelFL

7.3.6 同盾知识联邦平台

第三部分 联邦学习案例实战详解

CHAPTER 8 联邦学习在金融保险领域的应用案例

8.1 概述

8.2 基于纵向联邦学习的保险个性化定价案例

8.2.1 案例描述

8.2.2 保险个性化定价的纵向联邦建模

8.2.3 效果对比

8.3 基于横向联邦的银行间反洗钱模型案例

8.3.1 案例描述

8.3.2 反洗钱模型的横向联邦建模

8.3.3 效果对比

8.4 金融领域的联邦建模难点

8.4.1 数据不平衡

8.4.2 可解析性

CHAPTER 9 联邦个性化推荐案例

9.1 传统的集中式个性化推荐

9.1.1 矩阵分解

9.1.2 因子分解机

9.2 联邦矩阵分解

9.2.1 算法详解

9.2.2 详细实现

9.3 联邦因子分解机

9.3.1 算法详解

9.3.2 详细实现

9.4 其他联邦推荐算法

9.5 联邦推荐云服务使用

CHAPTER 10 联邦学习视觉案例

10.1 概述

10.2 案例描述

10.3 目标检测算法概述

10.3.1 边界框与锚框

10.3.2 交并比

10.3.3 基于候选区域的目标检测算法

10.3.4 单阶段目标检测

10.4 基于联邦学习的目标检测网络

10.4.1 动机

10.4.2 FedVision-联邦视觉产品

10.5 方法实现

10.5.1 Flask-SocketIO基础

10.5.2 服务端设计

10.5.3 客户端设计

10.5.4 模型和数据集

10.5.5 性能分析

CHAPTER 11 联邦学习在智能物联网中的应用案例

11.1 案例的背景与动机

11.2 历史数据分析

11.3 出行时间预测模型

11.3.1 问题定义

11.3.2 构造训练数据集

11.3.3 模型结构

11.4 联邦学习实现

11.4.1 服务端设计

11.4.2 客户端设计

11.4.3 性能分析

CHAPTER 12 联邦学习医疗健康应用案例

12.1 医疗健康数据概述

12.2 联邦医疗大数据与脑卒中预测

12.2.1 脑卒中预测案例概述

12.2.2 联邦数据预处理

12.2.3 联邦学习脑卒中预测系统

12.3 联邦学习在医疗影像中的应用

12.3.1 肺结节案例描述

12.3.2 数据概述

12.3.3 模型设计

12.3.4 联邦学习的效果

CHAPTER 13 联邦学习智能用工案例

13.1 智能用工简介

13.2 智能用工平台

13.2.1 智能用工的架构设计

13.2.2 智能用工的算法设计

13.3 利用横向联邦提升智能用工模型

13.4 设计联邦激励机制，提升联邦学习系统的可持续性

13.4.1 FedGame系统架构

13.4.2 FedGame设计原理

13.5 系统设置

CHAPTER 14 构建公平的大数据交易市场

14.1 大数据交易

14.1.1 数据交易的定义

14.1.2 数据确权

14.1.3 数据定价

14.2 基于联邦学习构建新一代大数据交易市场

14.3 联邦学习激励机制助力数据交易

14.4 联邦学习激励机制的问题描述

14.5 FedCoin支付系统设计

14.5.1 PoSap共识算法

14.5.2 支付方案

14.6 FedCoin的安全分析

14.7 实例演示

14.7.1 演示系统的实现

14.7.2 效果展示

CHAPTER 15 联邦学习攻防实战

15.1 后门攻击

15.1.1 问题定义

15.1.2 后门攻击策略

15.1.3 详细实现

15.2 差分隐私

15.2.1 集中式差分隐私

15.2.2 联邦差分隐私

15.2.3 详细实现

15.3 模型压缩

15.3.1 参数稀疏化

15.3.2 按层敏感度传输

15.4 同态加密

15.4.1 Paillier半同态加密算法

15.4.2 加密损失函数计算

15.4.3 详细实现

第四部分 联邦学习进阶

CHAPTER 16 联邦学习系统的通信机制

16.1 联邦学习系统架构

16.1.1 客户-服务器架构

16.1.2 对等网络架构

16.1.3 环状架构

16.2 网络通信协议简介

16.3 基于socket的通信机制

16.3.1 socket介绍

16.3.2 基于Python内置socket库的实现

16.3.3 基于Python-SocketIO的实现

16.3.4 基于Flask-SocketIO的实现

16.4 基于RPC的通信机制

16.4.1 RPC介绍

16.4.2 基于gRPC的实现

16.4.3 基于ICE的实现

16.5 基于RMI的通信机制

16.5.1 RMI介绍

16.5.2 在Python环境下使用RMI

16.6 基于MPI的通信机制

16.6.1 MPI简介

16.6.2 在Python环境下使用MPI

16.7 本章小结

CHAPTER 17 联邦学习加速方法

17.1 同步参数更新的加速方法

17.1.1 增加通信间隔

17.1.2 减少传输内容

17.1.3 非对称的推送和获取

17.1.4 计算和传输重叠

17.2 异步参数更新的加速方法

17.3 基于模型集成的加速方法

17.3.1 One-Shot联邦学习

17.3.2 基于学习的联邦模型集成

17.4 硬件加速

17.4.1 使用GPU加速计算

17.4.2 使用FPGA加速计算

17.4.3 混合精度训练

CHAPTER 18 联邦学习与其他前沿技术

18.1 联邦学习与Split Learning

18.1.1 Split Learning设计模式

18.1.2 Split Learning与联邦学习的异同

18.2 联邦学习与区块链

18.2.1 区块链技术原理

18.2.2 联邦学习与区块链的异同点

18.3 联邦学习与边缘计算

18.3.1 边缘计算综述

18.3.2 联邦学习与边缘计算的异同点

第五部分 回顾与展望

CHAPTER 19 总结与展望

19.1 联邦学习进展总结

19.1.1 联邦学习标准建设

19.1.2 理论研究总结

19.1.3 落地应用进展总结

19.2 未来展望

19.2.1 联邦学习的可解析性

19.2.2 联邦学习的安全性

19.2.3 联邦学习的公平性激励机制

19.2.4 联邦学习的模型收敛性和性能效率

Bibliography参考文献

后折页