同類熱銷排行榜

聯邦學習(演算法詳解與系統實現)/智能科學與技術叢書

作者：薄列峰//(美)黃恆//顧松庠//陳彥卿|責編:董惠芝
出版社：機械工業
ISBN：9787111703495

出版日期：2022/04/01
裝幀：平裝
頁數：342

人民幣：RMB 99 元售價：元

內容大鋼

    全書共分為三個部分，從概念、應用場景到具體的先進演算法，再到最後的系統實現，對聯邦學習技術進行全盤梳理與總結。
    第一部分為聯邦學習基礎知識，主要介紹和分享聯邦學習的定義、挑戰、應用場景和主要技術，包括聯邦學習概述、應用場景和常用隱私保護技術。
    第二部分為聯邦學習演算法詳述，主要介紹京東科技針對縱向聯邦學習和橫向聯邦學習場景提出來的諸多創新性聯邦學習演算法，包括縱向聯邦樹模型演算法、縱向聯邦線性回歸演算法、縱向聯邦核學習演算法、非同步縱向聯邦學習演算法、基於反向更新的雙層非同步縱向聯邦學習演算法、縱向聯邦深度學習演算法、快速安全的同態加密數據挖掘框架、橫向聯邦學習演算法、混合聯邦學習演算法和聯邦強化學習。
    第三部分為聯邦學習系統，主要介紹京東科技設計的聯邦學習系統及演算法落地的性能優化技術，包括FedLearn聯邦學習系統詳述、gRPC在FedLearn中的聯邦學習應用實例、落地場景中的性能優化實踐和基於區塊鏈的聯邦學習。

作者介紹

薄列峰//(美)黃恆//顧松庠//陳彥卿|責編:董惠芝

前言
第一部分  聯邦學習基礎知識
  第1章  聯邦學習概述
    1.1  什麼是聯邦學習
      1.1.1  聯邦學習的發展歷史
      1.1.2  聯邦學習的工作流程
      1.1.3  聯邦學習的分類
    1.2  聯邦學習的應用和挑戰
      1.2.1  聯邦學習的應用現狀
      1.2.2  聯邦學習的核心挑戰
    1.3  分散式機器學習與聯邦學習
      1.3.1  分散式機器學習的發展歷史
      1.3.2  分散式機器學習概述
      1.3.3  分散式機器學習與聯邦學習的共同發展
    1.4  總結
  第2章  聯邦學習應用場景
    2.1  聯邦學習與金融
    2.2  聯邦學習與生物醫學
    2.3  聯邦學習與電腦視覺
    2.4  聯邦學習與自然語言處理
    2.5  聯邦學習與邊緣計算和雲計算
    2.6  聯邦學習與電腦硬體
    2.7  總結
  第3章  常用隱私保護技術
    3.1  面向隱私保護的機器學習
      3.1.1  概述
      3.1.2  面向隱私保護的機器學習發展
    3.2  常用的隱私保護技術
      3.2.1  差分隱私
      3.2.2  安全多方計算
      3.2.3  同態加密
    3.3  總結
第二部分  聯邦學習演算法詳述
  第4章  縱向聯邦樹模型演算法
    4.1  樹模型簡介
    4.2  縱向聯邦隨機森林演算法
      4.2.1  演算法結構
      4.2.2  演算法詳述
      4.2.3  安全性分析
    4.3  縱向聯邦梯度提升演算法
      4.3.1  XGBoost演算法
      4.3.2  SecureBoost演算法
      4.3.3  所提演算法詳述
    4.4  總結
  第5章  縱向聯邦線性回歸演算法
    5.1  縱向聯邦線性回歸
      5.1.1  演算法訓練過程
      5.1.2  演算法預測過程
      5.1.3  縱向聯邦的一個困境
    5.2  聯邦多視角線性回歸

      5.2.1  基於BFGS的二階優化方法
      5.2.2  安全計算協議
    5.3  總結
  第6章  縱向聯邦核學習演算法
    6.1  引言
    6.2  雙隨機核方法
      6.2.1  問題定義
      6.2.2  核方法的簡要介紹
      6.2.3  隨機傅里葉特徵近似
      6.2.4  雙隨機梯度
    6.3  所提演算法
      6.3.1  問題表示
      6.3.2  演算法結構
      6.3.3  演算法設計
      6.3.4  場景案例
    6.4  理論分析
      6.4.1  收斂性分析
      6.4.2  安全性分析
      6.4.3  複雜度分析
    6.5  實驗驗證
      6.5.1  實驗設置
      6.5.2  實驗結果和討論
    6.6  總結
  第7章  非同步縱向聯邦學習演算法
    7.1  引言
    7.2  相關工作
      7.2.1  現有工作概述
      7.2.2  SGD類演算法回顧
    7.3  問題表示
    7.4  所提演算法
      7.4.1  演算法框架
      7.4.2  演算法詳述
      7.4.3  場景案例
    7.5  理論分析
      7.5.1  收斂性分析
      7.5.2  安全性分析
      7.5.3  複雜度分析
    7.6  實驗驗證
      7.6.1  實驗設置
      7.6.2  實驗結果和討論
    7.7  總結
  第8章  基於反向更新的雙層非同步縱向聯邦學習演算法
    8.1  引言
    8.2  問題表示
    8.3  所提演算法
      8.3.1  演算法框架
      8.3.2  演算法詳述
      8.3.3  場景案例
    8.4  理論分析
      8.4.1  收斂性分析——強凸問題

      8.4.2  收斂性分析——非凸問題
      8.4.3  安全性分析
    8.5  實驗驗證
      8.5.1  實驗設置
      8.5.2  實驗結果和討論
    8.6  總結
  第9章  縱向聯邦深度學習演算法
    9.1  引言
    9.2  所提演算法
      9.2.1  演算法框架
      9.2.2  演算法詳述
      9.2.3  場景案例
    9.3  理論分析
      9.3.1  複雜度分析
      9.3.2  安全性分析
    9.4  實驗驗證
      9.4.1  實驗設置
      9.4.2  實驗結果和討論
    9.5  總結
  第10章  快速安全的同態加密數據挖掘框架
    10.1  引言
    10.2  相關工作
    10.3  同態加密數據挖掘框架
      10.3.1  演算法框架
      10.3.2  演算法詳述
    10.4  實驗驗證
      10.4.1  分散式學習場景
      10.4.2  聯邦學習場景
    10.5  總結
  第11章  橫向聯邦學習演算法
    11.1  橫向聯邦學習簡介
    11.2  常見的分散式優化演算法
      11.2.1  同步並行演算法
      11.2.2  非同步並行演算法
    11.3  同步橫向聯邦學習演算法
    11.4  非同步橫向聯邦學習演算法
    11.5  快速通信的橫向聯邦學習演算法
    11.6  總結
  第12章  混合聯邦學習演算法
    12.1  混合聯邦學習演算法的場景需求
    12.2  演算法詳述
      12.2.1  梯度更新
      12.2.2  混合節點分裂
      12.2.3  模型保存和混合推理
    12.3  總結
  第13章  聯邦強化學習
    13.1  強化學習概述
      13.1.1  馬爾可夫性
      13.1.2  不同類別的策略
      13.1.3  期望收益

      13.1.4  學習策略的不同部分和設置
    13.2  強化學習演算法簡介
      13.2.1  基於價值的RL
      13.2.2  基於策略的RL
      13.2.3  基於模型的RL
    13.3  分散式和聯邦強化學習
      13.3.1  分散式強化學習
      13.3.2  聯邦強化學習
    13.4  總結
第三部分  聯邦學習系統
  第14章  FedLearn聯邦學習系統
    14.1  已開源聯邦學習系統及其痛點
      14.1.1  編程語言與環境
      14.1.2  大數據與計算效率
    14.2  FedLearn聯邦學習系統的優勢
    14.3  FedLearn系統架構設計
      14.3.1  常見的聯邦學習系統架構
      14.3.2  FedLearn架構總覽
      14.3.3  FedLearn標準架構功能
      14.3.4  分散式聯邦學習
      14.3.5  區塊鏈聯邦學習架構
    14.4  FedLearn跨語言演算法支持
    14.5  高性能RPC開源框架gRPC
      14.5.1  gRPC獨有的優勢
      14.5.2  gRPC的重要概念
    14.6  FedLearn系統服務和演算法解耦
      14.6.1  自動調度系統
      14.6.2  組件化
      14.6.3  其他系統層面優化
    14.7  FedLearn部署與使用
      14.7.1  系統組件與功能
      14.7.2  標準版部署
      14.7.3  分散式版部署
      14.7.4  容器版部署
      14.7.5  界面操作和API
    14.8  總結
  第15章  gRPC在FedLearn中的聯邦學習應用實例
    15.1  應用實例一：縱向聯邦隨機森林學習演算法
    15.2  應用實例二：橫向聯邦學習場景
      15.2.1  橫向聯邦學習場景簡述
      15.2.2  FedLearn中橫向聯邦學習框架的設計和實現
      15.2.3  應用gRPC支持不同類型的模型
    15.3  總結
  第16章  落地場景中的性能優化實踐
    16.1  FedLearn業務場景簡介
      16.1.1  金融產品精準營銷監控
      16.1.2  智能信用評分
    16.2  從0到1實踐聯邦學習演算法優化
    16.3  性能優化
      16.3.1  GMP計算庫

      16.3.2  同態加密計算協議優化
    16.4  工程服務性能優化
      16.4.1  並行優化
      16.4.2  多機信息傳輸優化
    16.5  實時推理優化
    16.6  總結
  第17章  基於區塊鏈的聯邦學習
    17.1  區塊鏈簡介
      17.1.1  概述
      17.1.2  區塊鏈技術的特性
      17.1.3  區塊鏈技術與現代技術的融合
    17.2  聯邦學習與區塊鏈的集成創新
      17.2.1  架構創新
      17.2.2  流程創新
      17.2.3  數據支持
      17.2.4  激勵支持
      17.2.5  監管審計支持
    17.3  基於區塊鏈的聯邦學習激勵演算法
      17.3.1  模型質量評估激勵演算法
      17.3.2  權重值激勵演算法
      17.3.3  激勵分配演算法
    17.4  基於區塊鏈的聯邦學習系統實現
      17.4.1  系統模型
      17.4.2  系統架構
    17.5  總結
參考文獻

Δ訂單支付
付款方式
運費計算方式

Δ關於我們
關於美商天龍
聯絡我們

首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032

同類熱銷排行榜

最近瀏覽的商品

聯邦學習(演算法詳解與系統實現)/智能科學與技術叢書