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
聯邦學習原理與算法 版權信息
- ISBN：9787111728535
- 條形碼：9787111728535 ; 978-7-111-72853-5
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
聯邦學習原理與算法 本書特色
《聯邦學習原理與算法》融合了聯邦學習資深技術專家多年經驗，系統介紹了聯邦學習的全貌，內容豐富，兼顧算法理論與實踐，對聯邦學習性能挑戰、安全與隱私挑戰，以及推薦系統進行了介紹。理論講解由淺入深、注重編程實踐，語言簡練、內容實用。重點難點部分還配備了二維碼視頻。
聯邦學習原理與算法 內容簡介
《聯邦學習原理與算法》系統介紹了聯邦學習的全貌，內容豐富，兼顧算法理論與實踐。算法部分包含橫向聯邦、縱向聯邦等不同的數據建模方式，重點討論了聯邦學習由于數據異質性和設備異質性帶來的算法穩定性、隱私性挑戰及其解決策略，這對每一個聯邦學習框架設計者來說都是至關重要但卻容易忽略的部分；實踐部分介紹了當前主流的聯邦學習框架，并進行對比，然后給出相同算法的不同實現供讀者比較。《聯邦學習原理與算法》重點介紹了聯邦學習計算機視覺及推薦系統等方面的應用，方便算法工程師拓展當前的算法框架，對金融、醫療、邊緣計算、區塊鏈等應用也做了詳盡闡述，相信對于研究隱私保護機器學習的計算機相關專業學生和聯邦學習領域的開發者、創業者都有很好的借鑒作用。詳細的代碼以及對現有框架和開源項目的介紹是本書的一大特色。《聯邦學習原理與算法》為讀者提供了全部案例源代碼下載和高清學習視頻，讀者可以直接掃描二維碼觀看。
聯邦學習原理與算法 目錄
第1章聯邦學習與機器學習基礎
1.1聯邦學習概述
1.1.1聯邦學習的背景與發展
1.1.2聯邦學習的定義與分類
1.1.3聯邦學習的相關法規與社區
1.1.4展望與總結
1.2聯邦學習挑戰
1.2.1性能挑戰
1.2.2效率挑戰
1.2.3隱私與安全挑戰
1.3機器學習基礎
1.3.1機器學習定義與分類
1.3.2機器學習流程
1.3.3常見的機器學習算法
1.4深度學習基礎與框架
1.4.1深度學習基本原理
1.4.2常見的神經網絡類型
1.4.3常見的深度學習框架
第2章聯邦學習框架
2.1百度PaddleFL框架2.1.1PaddleFL框架結構
2.1.2PaddleFL框架安裝和部署
2.1.3PaddleFL使用示例
2.2Flower框架
2.2.1Flower框架結構
2.2.2Flower框架安裝與部署
2.2.3Flower使用示例
2.3微眾銀行FATE框架
2.3.1FATE的技術架構
2.3.2FATE安裝與部署
2.4聯邦學習框架對比
第3章聯邦學習系統架構
3.1橫向聯邦學習
3.1.1橫向聯邦學習定義
3.1.2橫向聯邦學習算法
3.1.3安全聚合算法
3.2縱向聯邦學習
3.2.1縱向聯邦學習算法概述
3.2.2縱向聯邦邏輯回歸算法
3.3分割學習
3.3.1分割學習基本原理
3.3.2分割學習設置與應用場景
第4章聯邦學習建模難點與解決方案
4.1數據統計異質性
4.1.1非獨立同分布影響與收斂性分析
4.1.2非同質性數據分類與構建
4.1.3聯邦學習非獨立同分布策略
4.2個性化聯邦學習
4.2.1個性化聯邦學習的動機和概念4.2.2全局模型個性化策略
4.2.3個性化本地模型
4.3聯邦學習通信與加速算法
4.3.1模型壓縮算法
4.3.2異步與并行優化
4.3.3硬件加速
第5章聯邦學習與隱私保護
5.1差分隱私
5.1.1差分隱私定義
5.1.2差分隱私與機器學習
5.1.3差分隱私在聯邦學習中的應用
5.1.4開源項目與工具
5.2安全多方計算
5.2.1百萬富翁問題
5.2.2不經意傳輸
5.2.3混淆電路
5.2.4秘密分享
5.2.5安全多方計算在聯邦學習中的應用
5.3同態加密
5.3.1同態加密定義與分類
5.3.2部分同態加密方案
5.4可信執行環境
第6章聯邦學習系統安全與防御算法
6.1聯邦學習安全性分析
6.1.1CIA原則: 私密性、完整性與可用性
6.1.2敵手模型
6.2聯邦學習隱私攻擊與防御
6.2.1成員推斷攻擊與防御
6.2.2重構攻擊與防御6.3聯邦學習安全攻擊與防御
6.3.1聯邦學習安全攻擊目標與手段
6.3.2聯邦學習安全防御
第7章聯邦學習與計算機視覺
7.1圖像分類
7.1.1傳統圖像分類算法
7.1.2基于深度學習的圖像分類算法
7.1.3圖像分類常用數據集
7.2目標檢測
7.2.1目標檢測模型的常用評價標準
7.2.2目標檢測的常用算法
7.2.3目標檢測的常用數據集
7.3圖像分割
7.3.1圖像分割分類
7.3.2圖像分割數據集
7.3.3語義分割
7.3.4實例分割常用的算法
7.4聯邦學習圖像識別非獨立同分布數據實驗
7.4.1實驗描述
7.4.2實驗過程
7.4.3結果分析
第8章聯邦學習與推薦系統
8.1推薦系統基本知識
8.1.1推薦系統數據
8.1.2推薦系統架構
8.1.3推薦系統數據集
8.2協同過濾算法
8.2.1協同過濾算法分類
8.2.2協同過濾算法評價指標8.3矩陣分解
8.3.1奇異值分解
8.3.2聯邦矩陣分解算法
8.4神經協同過濾網絡
8.4.1神經協同過濾系統框架
8.4.2神經協同過濾層設計
8.4.3神經協同過濾訓練
8.4.4聯邦神經協同過濾
第9章聯邦學習與其他深度學習模式結合
9.1聯邦多任務學習
9.1.1多任務學習基本原理
9.1.2聯邦多任務學習算法
9.2聯邦學習與半監督學習
9.2.1半監督學習的基本方法
9.2.2聯邦學習與半監督學習結合
9.3聯邦強化學習
9.3.1強化學習基本原理與分類
9.3.2聯邦學習與強化學習結合
9.4聯邦圖學習
9.4.1圖學習算法基礎知識
9.4.2聯邦圖學習算法與挑戰
第10章聯邦學習應用前景
10.1聯邦學習與醫療
10.1.1聯邦醫學圖像處理
10.1.2聯邦學習與電子醫療記錄
10.1.3聯邦學習與藥物開發
10.2聯邦學習與金融
10.2.1聯邦學習與銀行風控
10.2.2聯邦學習與消費社交反欺詐10.2.3聯邦學習與智慧營銷
10.3聯邦學習、邊緣計算與物聯網
10.3.1聯邦學習與邊緣計算
10.3.2聯邦學習與物聯網
10.3.3聯邦學習與自動駕駛
10.4聯邦學習與區塊鏈
10.4.1區塊鏈基本原理
10.4.2區塊鏈分類
10.4.3區塊鏈與聯邦學習結合
1.1聯邦學習概述
1.1.1聯邦學習的背景與發展
1.1.2聯邦學習的定義與分類
1.1.3聯邦學習的相關法規與社區
1.1.4展望與總結
1.2聯邦學習挑戰
1.2.1性能挑戰
1.2.2效率挑戰
1.2.3隱私與安全挑戰
1.3機器學習基礎
1.3.1機器學習定義與分類
1.3.2機器學習流程
1.3.3常見的機器學習算法
1.4深度學習基礎與框架
1.4.1深度學習基本原理
1.4.2常見的神經網絡類型
1.4.3常見的深度學習框架
第2章聯邦學習框架
2.1百度PaddleFL框架2.1.1PaddleFL框架結構
2.1.2PaddleFL框架安裝和部署
2.1.3PaddleFL使用示例
2.2Flower框架
2.2.1Flower框架結構
2.2.2Flower框架安裝與部署
2.2.3Flower使用示例
2.3微眾銀行FATE框架
2.3.1FATE的技術架構
2.3.2FATE安裝與部署
2.4聯邦學習框架對比
第3章聯邦學習系統架構
3.1橫向聯邦學習
3.1.1橫向聯邦學習定義
3.1.2橫向聯邦學習算法
3.1.3安全聚合算法
3.2縱向聯邦學習
3.2.1縱向聯邦學習算法概述
3.2.2縱向聯邦邏輯回歸算法
3.3分割學習
3.3.1分割學習基本原理
3.3.2分割學習設置與應用場景
第4章聯邦學習建模難點與解決方案
4.1數據統計異質性
4.1.1非獨立同分布影響與收斂性分析
4.1.2非同質性數據分類與構建
4.1.3聯邦學習非獨立同分布策略
4.2個性化聯邦學習
4.2.1個性化聯邦學習的動機和概念4.2.2全局模型個性化策略
4.2.3個性化本地模型
4.3聯邦學習通信與加速算法
4.3.1模型壓縮算法
4.3.2異步與并行優化
4.3.3硬件加速
第5章聯邦學習與隱私保護
5.1差分隱私
5.1.1差分隱私定義
5.1.2差分隱私與機器學習
5.1.3差分隱私在聯邦學習中的應用
5.1.4開源項目與工具
5.2安全多方計算
5.2.1百萬富翁問題
5.2.2不經意傳輸
5.2.3混淆電路
5.2.4秘密分享
5.2.5安全多方計算在聯邦學習中的應用
5.3同態加密
5.3.1同態加密定義與分類
5.3.2部分同態加密方案
5.4可信執行環境
第6章聯邦學習系統安全與防御算法
6.1聯邦學習安全性分析
6.1.1CIA原則: 私密性、完整性與可用性
6.1.2敵手模型
6.2聯邦學習隱私攻擊與防御
6.2.1成員推斷攻擊與防御
6.2.2重構攻擊與防御6.3聯邦學習安全攻擊與防御
6.3.1聯邦學習安全攻擊目標與手段
6.3.2聯邦學習安全防御
第7章聯邦學習與計算機視覺
7.1圖像分類
7.1.1傳統圖像分類算法
7.1.2基于深度學習的圖像分類算法
7.1.3圖像分類常用數據集
7.2目標檢測
7.2.1目標檢測模型的常用評價標準
7.2.2目標檢測的常用算法
7.2.3目標檢測的常用數據集
7.3圖像分割
7.3.1圖像分割分類
7.3.2圖像分割數據集
7.3.3語義分割
7.3.4實例分割常用的算法
7.4聯邦學習圖像識別非獨立同分布數據實驗
7.4.1實驗描述
7.4.2實驗過程
7.4.3結果分析
第8章聯邦學習與推薦系統
8.1推薦系統基本知識
8.1.1推薦系統數據
8.1.2推薦系統架構
8.1.3推薦系統數據集
8.2協同過濾算法
8.2.1協同過濾算法分類
8.2.2協同過濾算法評價指標8.3矩陣分解
8.3.1奇異值分解
8.3.2聯邦矩陣分解算法
8.4神經協同過濾網絡
8.4.1神經協同過濾系統框架
8.4.2神經協同過濾層設計
8.4.3神經協同過濾訓練
8.4.4聯邦神經協同過濾
第9章聯邦學習與其他深度學習模式結合
9.1聯邦多任務學習
9.1.1多任務學習基本原理
9.1.2聯邦多任務學習算法
9.2聯邦學習與半監督學習
9.2.1半監督學習的基本方法
9.2.2聯邦學習與半監督學習結合
9.3聯邦強化學習
9.3.1強化學習基本原理與分類
9.3.2聯邦學習與強化學習結合
9.4聯邦圖學習
9.4.1圖學習算法基礎知識
9.4.2聯邦圖學習算法與挑戰
第10章聯邦學習應用前景
10.1聯邦學習與醫療
10.1.1聯邦醫學圖像處理
10.1.2聯邦學習與電子醫療記錄
10.1.3聯邦學習與藥物開發
10.2聯邦學習與金融
10.2.1聯邦學習與銀行風控
10.2.2聯邦學習與消費社交反欺詐10.2.3聯邦學習與智慧營銷
10.3聯邦學習、邊緣計算與物聯網
10.3.1聯邦學習與邊緣計算
10.3.2聯邦學習與物聯網
10.3.3聯邦學習與自動駕駛
10.4聯邦學習與區塊鏈
10.4.1區塊鏈基本原理
10.4.2區塊鏈分類
10.4.3區塊鏈與聯邦學習結合
展開全部
聯邦學習原理與算法 作者簡介
耿佳輝，博士，歐盟瑪麗居里項目研究員，研究的重點包括隱私保護計算、區塊鏈、自然語言處理等。多篇文章在國際會議發表，在中國、德國、挪威的知名企業都有豐富的工作經驗。
牟永利，博士，致力于聯邦學習、數據隱私和區塊鏈應用等領域的研究，并參與多個德國的醫療數據基建項目，如MMI和NFDI4Health，擁有豐富的數據科學和人工智能研究背景。有多篇醫學信息學、聯邦學習、區塊鏈技術國際論文發表經驗。
李青，博士，挪威斯塔萬格大學。致力于機器學習魯棒性、可解釋性，機器學習中的常微分或偏微分方程的數值計算。
容淳銘，挪威工程院院士、挪威斯塔萬格大學計算機系終身教授、服務式計算研究創新中心主任。曾任IEEE國際云計算學術會議系列指導委員會主席，IEEE區塊鏈專家委員會主席、（國際）云安全聯盟（CSA）挪威分部副總理事長，中國科學院海外評審專家。
書友推薦
- >
詩經-先民的歌唱
- >
李白與唐代文化
- >
伯納黛特,你要去哪(2021新版)
- >
二體千字文
- >
月亮與六便士
- >
月亮虎
- >
名家帶你讀魯迅:朝花夕拾
- >
【精裝繪本】畫給孩子的中國神話
本類暢銷
