联邦学习实战

杨强//黄安埠//刘洋//陈天健 / 电子工业出版社 / 9787121407925 / 2021-05 / 平装

八五品

￥15.00

2025-05-11售出

展开详情

商品描述：: 作者简介
杨强，微众银行首席人工智能官（CAIO）和香港科技大学（HKUST）计算机科学与工程系讲席教授。曾任香港科技大学计算机科学与工程系系主任。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。
    当选多个靠前学会会士（Fellow），包括ACM、AAAI、IEEE、IAPR，CAAI和AAAS。
    1982年获北京大学天体物理学学士学位，并分别于1987年和1989年获马里兰大学帕克分校计算机科学系硕士学位和博士学位。曾在滑铁卢大学（University of Waterloo,1989-1995年）和西蒙弗雷泽大学（Simon Fraser University，1995-2001年）担任教授。
    ACM TIST和IEEE TBD创始主编，靠前人工智能联合会议（IlJCAl）理事长（2017-2019年）和靠前人工智能促进学会（AAAl）的执行委员会成员（2016-2020年），香港人工智能学会的理事长，曾任AAAI2021大会主席。
    曾获多个奖项，包括2004/2005ACMKDDCUP优选、ACM SIGKDD很好服务奖（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）。
    华为诺亚方舟实验室的创始主任（2012-2014年）和第四范式（Al平台公司）的共同创始人。
    著有多本书籍：《智能规划》Inteligent Planning（Springer）、《学术研究，你的成功之路》（清华大学出版社）Crafting Your Research Future（Morgan&Claypool）、《迁移学习》（机械工业出版社华章公司）TransterLearning（Cambridge University Press）、《联邦学习》（电子工业出版社）Federated Learning（Morgan Claypool）,Constraint-based Design Recoveryfor Software Engineering（Springer）。

目录
部分  联邦学习基础
  章  联邦学习概述
    1.1  数据资产的重要性
    1.2  联邦学习提出的背景
    1.3  联邦学习的定义
    1.4  联邦学习的分类
    1.5  联邦学习算法现状
  第2章  联邦学习的安全机制
    2.1  基于同态加密的安全机制
      2.1.1  同态加密的定义
      2.1.2  同态加密的分类
    2.2  基于差分隐私的安全机制
      2.2.1  差分隐私的定义
      2.2.2  差分隐私的实现机制
    2.3  基于安全多方计算的安全机制
      2.3.1  秘密共享
      2.3.2  不经意传输
      2.3.3  混淆电路
    2.4  安全机制的性能效率对比
    2.5  基于Python的安全计算库
第二部分  联邦学习快速入门
  第3章  用Python从零实现横向联邦图像分类
    3.1  环境配置
    3.2  PyTorch基础
      3.2.1  创建Tensor
      3.2.2  Tensor与Python数据结构的转换
      3.2.3  数据操作
      3.2.4  自动求导
    3.3  用Python实现横向联邦图像分类
      3.3.1  配置信息
      3.3.2  训练数据集
      3.3.3  服务端
      3.3.4  客户端
      3.3.5  整合
    3.4  联邦训练的模型效果
      3.4.1  联邦训练与集中式训练的效果对比
      3.4.2  联邦模型与单点训练模型的对比
  第4章  微众银行FATE平台
    4.1  FATE平台架构概述
    4.2  FATE安装与部署
      4.2.1  单机部署
      4.2.2  集群部署
      4.2.3  KubeFATE部署
    4.3  FATE编程范式
    4.4  FATE应用案例
  第5章  用FATE从零实现横向逻辑回归
    5.1  数据集的获取与描述
    5.2  逻辑回归
  ……
第三部分  联邦学习案例实战详解
第四部分  联邦学习进阶
第五部分  回顾与展望
参考文献

内容摘要
数据孤岛和隐私保护已经成为制约人工智能发展的关键因素。联邦学习作为一种新型的隐私保护计算方案，在数据不出本地的前提下，能有效联合各参与方联合建模，从而实现“共同富裕”，成为当下人工智能领域备受关注的热点。
    本书以实战为主（包括对应用案例的深入讲解和代码分析），兼顾对理论知识的系统总结。全书由五部分共19章构成。部分简要介绍了联邦学习的理论知识点；第二部分介绍如何使用Python和FATE进行简单的联邦学习建模；第三部分是联邦学习的案例分析，筛选了经典案例进行讲解，部分案例用Python代码实现，部分案例采用FATE实现；第四部分主要介绍和联邦学习相关的不错知识点，包括联邦学习的架构和训练的加速方法等；第五部分是回顾与展望。
    本书适合对联邦学习和隐私保护感兴趣的高校研究者、企业研发人员阅读。

收起详情