深入浅出联邦学习：原理与实践

作品简介

联邦学习技术一经提出，便引起了社会各界人士的广泛关注。联邦学习能够满足各方在不共享数据源的前提下进行数据联合训练的需求，帮助多方组织构建最优的机器学习模型。这一技术不仅能够推动互联网时代下海量数据的价值变现，还能助力人工智能的发展革新和应用落地。

作者：王健宗、李泽远、何安珣。

作品目录

• 赞誉　PRAISE
• 前言　PREFACE
• 第一部分 基础
• 第1章 联邦学习的前世今生
• 1.1　联邦学习的由来
• 1.2　联邦学习的发展历程
• 1.3　联邦学习的规范与标准
• 1.4　联邦学习的社区与生态
• 1.5　本章小结
• 第2章 全面认识联邦学习
• 2.1　什么是联邦学习
• 2.2　联邦学习的架构思想
• 2.3　联邦学习的应用场景
• 2.4　联邦学习的优势与前景
• 2.5　本章小结
• 第二部分 原理
• 第3章 联邦学习的工作原理
• 3.1　联邦学习的计算环境
• 3.2　联邦学习的算法
• 3.3　联邦学习的算子
• 3.4　本章小结
• 第4章 联邦学习的加密机制
• 4.1　联邦学习的安全问题
• 4.2　联邦学习的加密方式
• 4.3　本章小结
• 第5章 联邦学习的激励机制
• 5.1　数据贡献评估
• 5.2　数据贡献与激励支付的关系
• 5.3　参与方贡献效益评估
• 5.4　参与方贡献效益与激励支付的关系
• 5.5　计算和通信消耗评估
• 5.6　计算消耗、通信消耗和激励支付的关系
• 5.7　本章小结
• 第三部分 实战
• 第6章 联邦学习开发实践
• 6.1　联邦学习开源框架部署：PySyft
• 6.2　联邦学习开源框架部署：TFF
• 6.3　联邦学习开源框架部署：CrypTen
• 6.4　本章小结
• 第7章 联邦学习的行业解决方案
• 7.1　联邦学习+智慧金融
• 7.2　联邦学习+智慧医疗
• 7.3　联邦学习+智慧城市
• 7.4　联邦学习+物联网
• 7.5　本章小结
• 第四部分 拓展
• 第8章 联邦学习的延伸
• 8.1　联邦学习的布局
• 8.2　联邦学习系统框架
• 8.3　本章小结
• 第9章 联邦学习的挑战、趋势和展望
• 9.1　联邦学习应对的挑战
• 9.2　联邦学习的趋势和展望
• 9.3　本章小结