联邦学习技术及实战

封面

版权信息

内容简介

推荐序

前言

第1章 联邦学习的研究与发展现状

1.1 联邦学习的背景

1.2 大数据时代的挑战：数据孤岛

1.2.1 “数据孤岛”的成因

1.2.2 具体实例

1.2.3 数据互联的发展与困境

1.2.4 解决“数据孤岛”问题的难点与联邦学习的优势

1.3 联邦学习的定义和基本术语

1.3.1 联邦学习的定义

1.3.2 联邦学习的基本术语

1.4 联邦学习的分类及适用范围

1.4.1 纵向联邦学习

1.4.2 横向联邦学习

1.4.3 联邦迁移学习

1.5 典型的联邦学习生命周期

1.5.1 模型训练

1.5.2 在线推理

1.6 联邦学习的安全性与可靠性

1.6.1 安全多方计算

1.6.2 差分隐私

1.6.3 同态加密

1.6.4 应对攻击的健壮性

1.7 阅读材料

第2章 多方计算与隐私保护

2.1 多方计算

2.2 基本假设与隐私保护技术

2.2.1 安全模型

2.2.2 隐私保护的目标

2.2.3 三种隐私保护技术及其关系

2.3 差分隐私

2.3.1 差分隐私的基本概念

2.3.2 差分隐私的性质

2.3.3 差分隐私在联邦学习中的应用

2.4 同态加密

2.4.1 密码学简介

2.4.2 同态加密算法的优势

2.4.3 半同态加密算法

2.4.4 全同态加密算法

2.4.5 半同态加密算法在联邦学习中的应用

2.5 安全多方计算

2.5.1 百万富翁问题

2.5.2 安全多方计算中的密码协议

2.5.3 安全多方计算在联邦学习中的应用

第3章 传统机器学习

3.1 统计机器学习的简介

3.1.1 统计机器学习的概念

3.1.2 数据结构与术语

3.1.3 机器学习算法示例

3.2 分布式机器学习的简介

3.2.1 分布式机器学习的背景

3.2.2 分布式机器学习的并行模式

3.2.3 分布式机器学习对比联邦学习

3.3 特征工程

3.3.1 错误及缺失处理

3.3.2 数据类型

3.3.3 特征工程方法

3.4 最优化算法

3.4.1 最优化问题

3.4.2 解析方法

3.4.3 一阶优化算法

3.4.4 二阶优化算法

3.5 模型效果评估

3.5.1 效果评估方法

3.5.2 效果评估指标

第4章 联邦交集计算

4.1 联邦交集计算介绍

4.1.1 基于公钥加密体制的方法

4.1.2 基于混乱电路的方法

4.1.3 基于不经意传输协议的方法

4.1.4 其他方法

4.2 联邦交集计算在联邦学习中的应用

4.2.1 实体解析与纵向联邦学习

4.2.2 非对称纵向联邦学习

4.2.3 联邦特征匹配

第5章 联邦特征工程

5.1 联邦特征工程概述

5.1.1 联邦特征工程的特点

5.1.2 传统特征工程和联邦特征工程的对比

5.2 联邦特征优化

5.2.1 联邦特征评估

5.2.2 联邦特征处理

5.2.3 联邦特征降维

5.2.4 联邦特征组合

5.2.5 联邦特征嵌入

5.3 联邦单变量分析

5.3.1 联邦单变量基础分析

5.3.2 联邦WOE和IV计算

5.3.3 联邦PSI和CSI计算

5.3.4 联邦KS和LIFT计算

5.4 联邦自动特征工程

5.4.1 联邦超参数优化

5.4.2 联邦超频优化

5.4.3 联邦神经结构搜索

第6章 纵向联邦学习

6.1 基本假设及定义