幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

聯邦學習原理與演算法/網路空間安全技術叢書

  • 作者：編者:耿佳輝//牟永利//李青//(挪)容淳銘|責編:李培培//楊源//陳崇昱
  • 出版社：機械工業
  • ISBN：9787111728535
  • 出版日期：2023/05/01
  • 裝幀：平裝
  • 頁數：220
人民幣：RMB 109 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書系統介紹了聯邦學習的全貌，內容豐富，兼顧演算法理論與實踐。演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於數據異質性和設備異質性帶來的演算法穩定性、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，並進行對比，然後給出相同演算法的不同實現供讀者比較。本書重點介紹了聯邦學習電腦視覺及推薦系統等方面的應用，方便演算法工程師拓展當前的演算法框架，對金融、醫療、邊緣計算、區塊鏈等應用也做了詳盡闡述，相信對於研究隱私保護機器學習的電腦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。本書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。
作者介紹
編者:耿佳輝//牟永利//李青//(挪)容淳銘|責編:李培培//楊源//陳崇昱
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  常見的機器學習演算法
  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  常見的神經網路類型
    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
    2.1.1  PaddleFL框架結構
    2.1.2  PaddleFL框架安裝和部署
    2.1.3  PaddleFL使用示例
  2.2  Flower框架
    2.2.1  Flower框架結構
    2.2.2  Flower框架安裝與部署
    2.2.3  Flower使用示例
  2.3  微眾銀行FATE框架
    2.3.1  FATE的技術架構
    2.3.2  FATE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  橫向聯邦學習演算法
    3.1.3  安全聚合演算法
  3.2  縱向聯邦學習
    3.2.1  縱向聯邦學習演算法概述
    3.2.2  縱向聯邦邏輯回歸演算法
  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  非獨立同分佈影響與收斂性分析
    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佈策略
  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演算法
    4.3.1  模型壓縮演算法
    4.3.2  非同步與並行優化
    4.3.3  硬體加速
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禦演算法
  6.1  聯邦學習安全性分析
    6.1.1  CIA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禦
    6.2.1  成員推斷攻擊與防禦
    6.2.2  重構攻擊與防禦
  6.3  聯邦學習安全攻擊與防禦
    6.3.1  聯邦學習安全攻擊目標與手段
    6.3.2  聯邦學習安全防禦
第7章  聯邦學習與電腦視覺
  7.1  圖像分類
    7.1.1  傳統圖像分類演算法
    7.1.2  基於深度學習的圖像分類演算法
    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  目標檢測的常用演算法
    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  實例分割常用的演算法
  7.4  聯邦學習圖像識別非獨立同分佈數據實驗
    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  協同過濾演算法
    8.2.1  協同過濾演算法分類
    8.2.2  協同過濾演算法評價指標
  8.3  矩陣分解
    8.3.1  奇異值分解
    8.3.2  聯邦矩陣分解演算法
  8.4  神經協同過濾網路
    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  聯邦多任務學習演算法
  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  圖學習演算法基礎知識
    9.4.2  聯邦圖學習演算法與挑戰
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

  • 商品搜索：
  • | 高級搜索
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