联邦学习 mobi 下载 网盘 caj lrf pdf txt 阿里云

如何在保证本地训练数据不公开的前提下，实现多个数据拥有者协同训练一个共享的机器学习模型？传统的机器学习方法需要将所有的数据集中到一个地方（例如，数据中心），然后进行机器学习模型的训练。但这种基于集中数据的做法无疑会严重侵害用户***和数据安全。如今，世界上越来越多的人开始强烈要求科技公司必须根据用户***法律法规妥善地处理用户的数据，欧盟的《通用数据保护条例》是一个很好的例子。在本书中，我们将描述联邦学习（亦称联邦机器学习）如何将分布式机器学习、密码学、基于金融规则的激励机制和博弈论结合起来，以解决分散数据的使用问题。我们会介绍不同种类的面向***保护的机器学习解决方案以及技术背景，并描述一些典型的实际问题解决案例。我们还会进一步论述联邦学习将成为下一代机器学习的基础，可以满足技术和社会需求并促进面向安全的人工智能的开发和应用。

《联邦学习》可供计算机科学、人工智能和机器学习专业的学生，以及大数据和人工智能应用程序的开发人员阅读，也可供高等院校的教员、研究机构的研究人员、法律法规制定者和政府监管部门参考。

序言i

前言ii

作者简介vi

第1 章引言/1

1.1 人工智能面临的挑战/2

1.2 联邦学习概述/4

1.2.1 联邦学习的定义/5

1.2.2 联邦学习的分类/8

1.3 联邦学习的发展/10

1.3.1 联邦学习的研究/11

1.3.2 开源平台/12

1.3.3 联邦学习标准化进展/13

1.3.4 联邦人工智能生态系统/14

第2 章***、安全及机器学习/15

2.1 面向***保护的机器学习/16

2.2 面向***保护的机器学习与安全机器学习/16

2.3 威胁与安全模型/17

2.3.1 ***威胁模型/17

2.3.2 攻击者和安全模型/19

2.4 ***保护技术/20

2.4.1 安全多方计算/20

2.4.2 同态加密/24

2.4.3 差分***/27

第3 章分布式机器学习/31

3.1 分布式机器学习介绍/32

3.1.1 分布式机器学习的定义/32

3.1.2 分布式机器学习平台/33

3.2 面向扩展性的DML /34

3.2.1 大规模机器学习/34

3.2.2 面向扩展性的DML 方法/35

3.3 面向***保护的DML /38

3.3.1 ***保护决策树/38

3.3.2 ***保护方法/40

3.3.3 面向***保护的DML 方案/40

3.4 面向***保护的梯度下降方法/42

3.4.1 朴素联邦学习/44

3.4.2 ***保护方法/44

3.5 挑战与展望/46

第4 章横向联邦学习/47

4.1 横向联邦学习的定义/48

4.2 横向联邦学习架构/49

4.2.1 客户-服务器架构/49

4.2.2 对等网络架构/51

4.2.3 全局模型评估/53

4.3 联邦平均算法介绍/54

4.3.1 联邦优化/54

4.3.2 联邦平均算法/56

4.3.3 安全的联邦平均算法/59

4.4 联邦平均算法的改进/61

4.4.1 通信效率提升/61

4.4.2 参与方选择/62

4.5 相关工作/62

4.6 挑战与展望/64

第5 章纵向联邦学习/67

5.1 纵向联邦学习的定义/69

5.2 纵向联邦学习的架构/70

5.3 纵向联邦学习算法/71

5.3.1 安全联邦线性回归/72

5.3.2 安全联邦提升树/75

5.4 挑战与展望/79

第6 章联邦迁移学习/81

6.1 异构联邦学习/82

6.2 联邦迁移学习的分类与定义/82

6.3 联邦迁移学习框架/84

6.3.1 加法同态加密/87

6.3.2 联邦迁移学习的训练过程/87

6.3.3 联邦迁移学习的预测过程/88

6.3.4 安全性分析/88

6.3.5 基于秘密共享的联邦迁移学习/89

*** 挑战与展望/90

第7 章联邦学习激励机制/93

7.1 贡献的收益/94

7.1.1 收益分享博弈/94

7.1.2 反向拍卖/96

7.2 注重公平的收益分享框架/97

7.2.1 建模贡献/98

7.2.2 建模代价/98

7.2.3 建模期望损失/98

7.2.4 建模时间期望损失/99

7.2.5 策略协调/99

7.2.6 计算收益评估比重/101

7.3 挑战与展望/103

第8 章联邦学习与计算机视觉、

自然语言处理及推荐系统/105

8.1 联邦学习与计算机视觉/106

8.1.1 联邦计算机视觉/106

8.1.2 业内研究进展/108

8.1.3 挑战与展望/109

8.2 联邦学习与自然语言处理/110

8.2.1 联邦自然语言处理/110

8.2.2 业界研究进展/111

8.2.3 挑战与展望/112

8.3 联邦学习与推荐系统/112

8.3.1 推荐模型/113

8.3.2 联邦推荐系统/114

8.3.3 业界研究进展/116

8.3.4 挑战与展望/116

第9 章联邦强化学习/117

9.1 强化学习介绍/118

9.1.1 策略/118

9.1.2 奖励/119

9.1.3 价值函数/119

9.1.4 环境模型/119

9.1.5 强化学习应用举例/119

9.2 强化学习算法/120

9.3 分布式强化学习/121

9.3.1 异步分布式强化学习/122

9.3.2 同步分布式强化学习/122

9.4 联邦强化学习/122

9.4.1 联邦强化学习背景/123

9.4.2 横向联邦强化学习/123

9.4.3 纵向联邦强化学习/125

9.5 挑战与展望/127

第10 章应用前景/129

10.1 金融/130

10.2 医疗/131

10.3 教育/132

10.4 城市计算和智慧城市/133

10.5 边缘计算和物联网/135

10.6 区块链/136

10.7 第五代移动网路/137

第11 章总结与展望/139

附录A 数据保***律和法规/141

A.1 欧盟的数据保***规/142

A.1.1 GDPR 中的术语/143

A.1.2 GDPR 重点条款/143

A.1.3 GDPR 的影响/146

A.2 美国的数据保***规/147

A.3 中国的数据保***规/148

参考文献/151

杨强

杨强教授是微众银行的首席人工智能官（CAIO）和香港科技大学（HKUST）计算机科学与工程系讲席教授。他是香港科技大学计算机科学与工程系的前任系主任，并曾担任大数据研究院的创始主任（2015-2018 年）。他的研究兴趣包括人工智能、机器学习和数据挖掘，特别是迁移学习、自动规划、联邦学习和基于案例的推理。他是多个国际协会的会士（Fellow），包括ACM、AAAI、IEEE、IAPR 和AAAS。他于1982 年获得北京大学天体物理学学士学位，分别于1987年和1989 年获得马里兰大学帕克分校计算机科学系硕士学位和博士学位。他曾在在滑铁卢大学（1989-1995 年）和西蒙弗雷泽大学（1995-2001 年）担任教授。他是ACM TIST 和IEEE TBD 的创始主编。他是国际人工智能联合会议（IJCAI）的理事长（2017-2019 年）和人工智能发展协会（AAAI）的执行委员会成员（2016-2020 年）。杨强教授曾获多个奖项，包括2004/2005 ACM KDDCUP 冠军、ACM SIGKDD 卓越服务奖（2017）、AAAI 创新人工智能应用奖（2018, 2020）和吴文俊人工智能杰出贡献奖（2019）。他是华为诺亚方舟实验室的创始主任（2012-2014 年）和第四范式（AI 平台公司）的共同创始人。他是Intelligent Planning （Springer）、Crafting Your Research Future (M***an & Claypool)、Transfer Learning （Cambridge University

Press）与C***traint-based Design Recovery for Software Engineering （Springer）等

著作的作者。

刘洋

刘洋是微众银行AI 项目组的高级研究员。她的研究兴趣包括机器学习、联邦学习、迁移学习、多智能体系统、统计力学，以及这些技术的产业应用。她于2012 年获得普林斯顿大学博士

学位，2007 年获得清华大学学士学位。她拥有多项国际发明专利，研究成果曾发表于Nature、IJCAI 和ACM TIST 等科研刊物和会议上。她曾获AAAI 人工智能创新应用奖、IJCAI 创新应用奖等多个奖项，并担任IJCAI 高级程序委员会委员，NeurIPS 等多个人工智能会议研讨会联合主席，以及IEEE Intelligent Systems 期刊客座编委等。

程勇

程勇是微众银行AI 项目组的高级研究员。他曾任华为技术有限公司（深圳）高级工程师和德国贝尔实验室高级研究员，也曾在华为-香港科技大学创新实验室担任研究员。他的研究兴趣和

专长主要包括联邦学习、深度学习、计算机视觉和OCR、数学优化理论和算法、分布式和网络计算以及混合整数规划。他发表期刊和会议论文20 余篇。他于2006 年、2010 年、2013 年分别在浙江大学、香港科技大学、德国达姆施塔特工业大学获工学学士学位（一等荣誉）、硕士学位和博士学位。他于2014 年获达姆施塔特工业大学最佳博士论文奖，于2006 年获浙江大学

最佳学士论文奖。他在ICASSP’15 会议上做了关于“混合整数规划”的教程。他是IJCAI’19 和NIPS’19 等国际会议的程序委员会委员。

康焱

康焱是微众银行AI 项目组的高级研究员。他的工作重点是面向***保护的机器学习和联邦迁移学习技术的研究和实现。他在马里兰大学巴尔的摩分校获计算机硕士和博士学位。他的博士论文研究的是以机器学习和语义网络进行异构数据集成，并获得了博士论文奖学金。在就读研究生期间，他参与了与美国国家标准与技术研究院（NIST）和美国国家科学基金会（N***）合作的多个项目，设计和开发语义网络集成系统。他在商业软件项目方面也有着丰富的经验。他曾在美国

Stardog Union 公司和美国塞纳公司工作了四年多的时间，从事系统设计和实现方面的工作。

陈天健

陈天健是微众银行AI 项目组的副总经理。他现在负责构建基于联邦学习技术的银行智能生态系统。在加入微众银行之前，他是百度金融的首席架构师，同时也是百度的首席架构师。他拥有超过12 年的大规模分布式系统设计经验，并在Web 搜索引擎、对等网络存储、基因组学、推荐系统、数字银行和机器学习等多个应用领域中实现了技术创新。他现居于中国深圳，与其他工作伙伴一起建设和推广联邦AI 生态系统和相关的开源项目FATE。

于涵

于涵现任职新加坡南洋理工大学（NTU）计算机科学与工程学院助理教授、微众银行特聘顾问。在2015—2018 年期间，他在南洋理工大学担任李光耀博士后研究员（LKY PDF）。在加入南洋理工大学之前，他曾在新加坡惠普公司担任嵌入式软件工程师。他于2014 年获南洋理工大学计算机科学博士学位。他的研究重点是在线凸优化、人工智能伦理、联邦学习及其在众包等复杂协作系统中的应用。他在国际学术会议和期刊上发表研究论文120 余篇，获得了多项科研奖项。

暂无出版社相关信息，正在全力查找中！

暂无相关书籍摘录，正在全力查找中！

在线阅读地址：联邦学习在线阅读

在线听书地址：联邦学习在线收听

在线购买地址：联邦学习在线购买

暂无原文赏析，正在全力查找中！

书籍介绍

如何在保证本地训练数据不公开的前提下，实现多个数据拥有者协同训练一个共享的机器学习模型？传统的机器学习方法需要将所有的数据集中到一个地方（例如，数据中心），然后进行机器学习模型的训练。但这种基于集中数据的做法无疑会严重侵害用户***和数据安全。如今，世界上越来越多的人开始强烈要求科技公司必须根据用户***法律法规妥善地处理用户的数据，欧盟的《通用数据保护条例》是一个很好的例子。在本书中，我们将描述联邦学习（亦称联邦机器学习）如何将分布式机器学习、密码学、基于金融规则的激励机制和博弈论结合起来，以解决分散数据的使用问题。我们会介绍不同种类的面向***保护的机器学习解决方案以及技术背景，并描述一些典型的实际问题解决案例。我们还会进一步论述联邦学习将成为下一代机器学习的基础，可以满足技术和社会需求并促进面向安全的人工智能的开发和应用。

《联邦学习》可供计算机科学、人工智能和机器学习专业的学生，以及大数据和人工智能应用程序的开发人员阅读，也可供高等院校的教员、研究机构的研究人员、法律法规制定者和政府监管部门参考。