1. 联邦学习是目前人工智能领域较受重视的技术范式之一，谷歌、IBM、英伟达、腾讯等众多巨头场，李复力推； 2. 由平安科技联邦学习团队执笔，牵头作者为国内联邦学习推动者、平安科技副总工程师和技术部总经理王健宗博士； 3. 从基础知识出发，深浅出的介绍了中央服务器优化和联邦机器学习的算法体系，适合大数据、人工智能行业从业者参考； 4. 广泛考虑工程实践，系统介绍联邦学习算法，中国科学院信息工程研究所提供加密理论方面支持，保障理论前沿性。
售 价：¥
纸质售价：¥95.20购买纸书
6.2
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
内容提要
序言1
序言2
前言
第1章 绪论
1.1 人工智能的发展
1.2 隐私保护浮出水面
1.3 联邦学习的诞生
1.4 本章小结
第2章 联邦学习基础
2.1 联邦学习的基本概念
2.2 联邦学习的发展历程
2.3 联邦学习的基本类别与流程
2.4 联邦学习的应用场景
2.5 本章小结
第3章 中央服务器优化算法
3.1 联邦随机梯度下降算法
3.2 联邦平均算法
3.3 差分隐私联邦随机梯度下降算法
3.4 差分隐私联邦平均算法
3.5 基于损失的自适应提升联邦学习算法
3.6 自平衡联邦学习算法
3.7 联邦近端算法
3.8 不可知联邦学习算法
3.9 基于概率的联邦网络匹配算法Ⅰ：单隐层神经网络匹配算法
3.10 基于概率的联邦网络匹配算法Ⅱ：多隐层神经网络匹配算法
3.11 联邦匹配平均算法
3.12 本章小结
第4章 联邦回归算法
4.1 联邦机器学习算法的定义
4.2 线性回归
4.3 逻辑回归
4.4 本章小结
第5章 联邦分类算法
5.1 朴素贝叶斯分类法
5.2 支持向量机
5.3 本章小结
第6章 联邦树模型
6.1 决策树
6.2 XGBoost
6.3 本章小结
第7章 联邦推荐算法
7.1 K均值算法
7.2 因子分解机
7.3 基于近邻的协同过滤算法
7.4 基于矩阵的协同过滤算法
7.5 矩阵分解算法
7.6 本章小结
第8章 联邦学习系统的隐私与安全
8.1 问题描述与安全模型
8.2 联邦学习隐私保护技术
8.3 联邦学习安全防护技术
8.4 本章小结
第9章 联邦学习的服务质量
9.1 联邦学习服务质量的定义
9.2 联邦学习服务质量的评估维度
9.3 联邦学习服务质量的理论体系
9.4 提升联邦学习服务质量的方法
9.5 本章小结
第10章 联邦学习的研究趋势
10.1 联邦学习的优化研究
10.2 联邦学习的安全和隐私研究
10.3 联邦学习的应用领域研究
10.4 本章小结
附录
附录A Cholesky分解
附录B LDLT分解
附录C 共轭梯度法
参考文献
买过这本书的人还买过
读了这本书的人还在读
同类图书排行榜
购物车
个人中心
