联邦学网络技术杨强等新华正版

面向数据安全和隐私保护机器学学术成果和应用案例数据孤岛和数据保护难题破解之

作者: 杨强等
出版社: 电子工业出版社
ISBN: 9787121385223
出版时间: 2020-04
版次: 1

装帧: 平装
开本: 16开
页数: 192页
字数: 229千字

作者: 杨强等
出版社: 电子工业出版社
ISBN: 9787121385223

出版时间: 2020-04
版次: 1
装帧: 平装

开本: 16开
页数: 192页
字数: 229千字

售价 54.15 6.1折

定价￥89.00

品相全新品相描述

优惠

运费

本店暂时无法向该地区发货

延迟发货说明

时间：

说明：

上书时间2023-11-04

数量: 库存6件

立即购买加入购物车收藏

卖家超过10天未登录

商品详情
店铺评价

手机购买

微信扫码访问

商品分类：

计算机与互联网

货号：

xhwx_1202060063

品相描述：全新

正版特价新书

商品描述：

目录：

序言ⅲ

前言ⅳ

作者简介ⅷ

章引言/1

1.1人工智能面临的挑战/2

1.2联邦学概述/4

1.2.1联邦学的定义/5

1.2.2联邦学的分类/8

1.3联邦学的发展/11

1.3.1联邦学的研究/11

1.3.2开源台/13

1.3.3联邦学标准化进展/14

1.3.4联邦人工智能生态系统/15

第2章隐私、安全及机器学/17

2.1面向隐私保护的机器学/18

2.2面向隐私保护的机器学与安全机器学/18

2.3威胁与安全模型/19

2.3.1隐私威胁模型/19

2.3.2攻击者和安全模型/21

2.4隐私保护技术/22

2.4.1安全多方计算/22

2.4.2同态加密/27

2.4.3差分隐私/30

第3章分布式机器学/35

3.1分布式机器学介绍/36

3.1.1分布式机器学的定义/36

3.1.2分布式机器学台/37

3.2面向扩展的dml/39

3.2.1大规模机器学/39

3.2.2面向扩展的dml方/40

3.3面向隐私保护的dml/43

3.3.1隐私保护决策树/43

3.3.2隐私保护方/45

3.3.3面向隐私保护的dml方案/45

3.4面向隐私保护的梯度下降方/48

3.4.1朴素联邦学/49

3.4.2隐私保护方/49

3.5挑战与展望/51

第4章横向联邦学/53

4.1横向联邦学的定义/54

4.2横向联邦学架构/55

4.2.1客户-服务器架构/55

4.2.2对等网络架构/58

4.2.3全局模型评估/59

4.3联邦均算介绍/60

4.3.1联邦优化/60

4.3.2联邦均算/63

4.3.3安全的联邦均算/65

4.4联邦均算的改进/68

4.4.1通信效率提升/68

4.4.2参与方选择/69

4.5相关工作/69

4.6挑战与展望/71

第5章纵向联邦学/73

5.1纵向联邦学的定义/74

5.2纵向联邦学的架构/75

5.3纵向联邦学算/77

5.3.1安全联邦线回归/77

5.3.2安全联邦提升树/80

5.4挑战与展望/85

第6章联邦迁移学/87

6.1异构联邦学/88

6.2联邦迁移学的分类与定义/88

6.3联邦迁移学框架/90

6.3.1加同态加密/93

6.3.2联邦迁移学的训练过程/94

6.3.3联邦迁移学的预测过程/95

6.3.4安全分析/95

6.3.5基于秘密共享的联邦迁移学/96

6.4挑战与展望/97

第7章联邦学激励机制/99

7.1贡献的收益/100

7.1.1收益分享博弈/100

7.1.2反向拍/102

7.2注重公的收益分享框架/103

7.2.1建模贡献/103

7.2.2建模代价/104

7.2.3建模期望损失/105

7.2.4建模时间期望损失/105

7.2.5策略协调/106

7.2.6计算收益评估比重/108

7.3挑战与展望/109

第8章联邦学与计算机视觉、自然语言处理及系统/111

8.1联邦学与计算机视觉/112

8.1.1联邦计算机视觉/112

8.1.2业内研究进展/114

8.1.3挑战与展望/115

8.2联邦学与自然语言处理/116

8.2.1联邦自然语言处理/116

8.2.2业界研究进展/118

8.2.3挑战与展望/118

8.3联邦学与系统/119

8.3.1模型/120

8.3.2联邦系统/121

8.3.3业界研究进展/123

8.3.4挑战与展望/12

第9章联邦强化学/125

9.1强化学介绍/126

9.1.1策略/127

9.1.2奖励/127

9.1.3价值函数/127

9.1.4环境模型/127

9.1.5强化学应用举例/127

9.2强化学算/128

9.3分布式强化学/130

9.3.1异步分布式强化学/130

9.3.2同步分布式强化学/131

9.4联邦强化学/131

9.4.1联邦强化学背景/131

9.4.2横向联邦强化学/132

9.4.3纵向联邦强化学/134

9.5挑战与展望/136

0章应用前景/139

10.1金融/140

10.2医疗/141

10.3教育/142

10.4城市计算和智慧城市/144

10.5边缘计算和物联网/146

10.6区块链/147

10.7第五代移动网路/148

1章结与展望/149

附录a数据保护律和规/151

a.1欧盟的数据保护规/152

a.1.1gdpr中的术语/153

a.1.2gdpr重点条款/154

a.1.3gdpr的影响/156

a.2美国的数据保护规/157

a.3中国的数据保护规/158

参文献/161

内容简介：

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模型？传统的机器学方需要将所有的数据集中到一个地方（例如，数据中心），然后进行机器学模型的训练。但这种基于集中数据的做无疑会严重侵害用户隐私和数据安全。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隐私律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。在联邦学中，我们将描述联邦学（亦称联邦机器学）如何将分布式机器学、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隐私保护的机器学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将成为下一代机器学的基础，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。联邦学可供计算机科学、人工智能和机器学专业的，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、律规制定者和监管部门参。
配送说明

...
相似商品
为你推荐

孔网分类

图书

图书

联邦学 网络技术 杨强 等 新华正版

孔网啦啦啦啦啦纺织女工火锅店第三课

联邦学网络技术杨强等新华正版