安全與隱私保護數據驅動優化

金耀初等

  • 出版商: 科學出版
  • 出版日期: 2026-09-01
  • 售價: $1,008
  • 語言: 簡體中文
  • 頁數: 340
  • ISBN: 7030861809
  • ISBN-13: 9787030861801
  • 相關分類: Machine Learning、資訊安全
  • 下單後立即進貨 (約4週~6週)

  • 安全與隱私保護數據驅動優化-preview-1
  • 安全與隱私保護數據驅動優化-preview-2
  • 安全與隱私保護數據驅動優化-preview-3
  • 安全與隱私保護數據驅動優化-preview-4
  • 安全與隱私保護數據驅動優化-preview-5
安全與隱私保護數據驅動優化-preview-1

相關主題

商品描述

本書是首部聯邦環境下數據驅動優化領域的專著,旨在探討數據驅動優化方法在安全與隱私保護方面的應用,尤其是在不泄露敏感信息的情況下高效地解決優化問題。通過引入隱私保護機制,如同態加密、安全多方計算、差分隱私等方法,解決實際問題中的安全風險與隱私威脅挑戰,並應用於多目標、多任務等各種優化場景。

目錄大綱

目錄
序一
序二
序三
叢書序
前言
第1章 緒論 1
1.1 優化問題的定義 1
1.1.1 目標函數 1
1.1.2 約束條件 2
1.1.3 決策變量 3
1.2 數據驅動優化的分類與應用領域 3
1.2.1 數據驅動優化的分類 5
1.2.2 數據驅動優化的應用領域 8
1.3 挑戰 10
1.4 小結 13
第2章 數據驅動優化基礎 15
2.1 引言 15
2.2 信賴域方法 16
2.2.1 核心思想 17
2.2.2 算法框架 17
2.2.3 實際應用 18
2.3 貝葉斯優化算法 19
2.3.1 算法框架 20
2.3.2 高斯過程 23
2.3.3 獲取函數 26
2.4 代理模型輔助的進化算法 29
2.4.1 算法框架 32
2.4.2 代理模型 35
2.4.3 模型管理 37
2.5 多目標數據驅動優化 40
2.5.1 昂貴多目標優化問題 41
2.5.2 算法框架 43
2.6 小結 45
第3章 優化中的數據安全與隱私 47
3.1 引言 47
3.2 數據安全與數據隱私 47
3.2.1 數據的特性:優化視角下的差異 47
3.2.2 數據安全的定義 49
3.2.3 數據隱私的定義 50
3.2.4 數據安全風險和隱私威脅與優化性能的耦合關系 51
3.3 數據驅動優化中的安全風險與隱私威脅 53
3.3.1 威脅模型 53
3.3.2 數據驅動優化的三層攻擊面分析 54
3.3.3 數據全生命周期與安全風險/隱私威脅的關聯 61
3.4 安全風險與隱私威脅的相應保護方法 66
3.4.1 同態加密 67
3.4.2 安全多方計算 71
3.4.3 區塊鏈技術 74
3.4.4 可信執行環境 76
3.4.5 差分隱私 79
3.4.6 聯邦學習 82
3.4.7 零知識證明 88
3.5 聯邦數據驅動演化優化 90
3.5.1 聯邦學習與聯邦優化的區別 90
3.5.2 聯邦演化優化問題建模 93
3.5.3 流程與算法框架設計 94
3.5.4 經典的聯邦數據驅動的進化算法 95
3.5.5 聯邦演化優化的挑戰 98
3.6 小結 100
第4章 隱私保護的聯邦代理輔助演化優化 102
4.1 引言 102
4.2 預備知識 103
4.2.1 差分隱私隨機梯度下降法 103
4.2.2 徑向基函數網絡 105
4.3 差分隱私下的聯邦代理輔助演化優化 109
4.3.1 算法框架 109
4.3.2 安全聚合方案構建 112
4.3.3 最優解的隱私保護方案 114
4.4 理論驗證與安全性分析 117
4.4.1 收斂性證明 117
4.4.2 安全性分析 118
4.5 算法有效性分析 120
4.5.1 實驗設置與基準任務 120
4.5.2 對比實驗分析 124
4.5.3 消融實驗分析 130
4.6 小結 134
第5章 隱私保護的多目標演化優化 136
5.1 引言 136
5.2 多目標數據驅動演化優化 137
5.2.1 多目標進化算法 138
5.2.2 代理模型輔助的多目標進化算法 141
5.3 聯邦學習先進技術 146
5.3.1 安全聚合 147
5.3.2 威脅模型與隱私保護 148
5.4 貝葉斯優化中的隱私保護機制 149
5.5 聯邦數據驅動的多目標進化算法 151
5.6 安全聯邦多目標演化優化算法 153
5.6.1 算法框架 153
5.6.2 安全聯邦模型管理策略 156
5.6.3 隱私保護分析 157
5.6.4 計算和通信復雜度分析 158
5.7 算法有效性分析 160
5.7.1 實驗設置 160
5.7.2 對比實驗 160
5.7.3 隱私保護分析討論 165
5.8 小結 166
第6章 基於知識遷移的聯邦多任務優化 167
6.1 引言 167
6.2 多任務優化的基本思想 168
6.2.1 聯邦多任務優化的定義 169
6.2.2 多任務優化的先進技術 170
6.2.3 多任務優化與聯邦多任務優化的區別 172
6.3 聯邦貝葉斯優化先進技術 174
6.4 聯邦多任務貝葉斯優化 177
6.4.1 算法框架 177
6.4.2 聯邦知識遷移 179
6.4.3 聯邦獲取函數 182
6.5 算法有效性分析 183
6.5.1 測試函數 183
6.5.2 數據分布 186
6.5.3 實驗設置 187
6.5.4 實驗結果與分析 189
6.5.5 應用結果分析 195
6.6 小結 199
第7章 基於成對關系的聯邦多任務貝葉斯優化 201
7.1 引言 201
7.2 分類器代理模型 202
7.3 貝葉斯優化 205
7.4 競爭粒子群算法 211
7.5 進化多任務優化 214
7.6 基於成對關系的聯邦多任務貝葉斯優化算法 217
7.6.1 全局獲取函數的構建 221
7.6.2 全局獲取函數優化器 222
7.6.3 算法復雜度 223
7.7 算法有效性分析 224
7.7.1 實驗設置 224
7.7.2 消融實驗 224
7.7.3 對比實驗 228
7.7.4 討論 236
7.8 小結 236
第8章 基於模型蒸餾的聯邦多任務數據驅動優化 238
8.1 引言 238
8.2 貝葉斯聯邦學習和知識蒸餾先進技術 239
8.2.1 貝葉斯聯邦學習 239
8.2.2 知識蒸餾 242
8.3 基於知識蒸餾的聯邦優化 246
8.3.1 徑向基函數網絡輔助數據驅動優化 246
8.3.2 算法框架 246
8.3.3 服務器知識蒸餾 248
8.3.4 客戶端樣本選擇 251
8.3.5 隱私分析和復雜度分析 252
8.4 算法有效性分析 253
8.4.1 測試函數 254
8.4.2 對比算法 256
8.4.3 數據異構實驗分析 258
8.4.4 高維優化實驗分析 266
8.4.5 消融實驗 267
8.4.6 應用分析 269
8.5 小結 271
第9章 基於聯邦貝葉斯優化的神經網絡架構搜索 273
9.1 引言 273
9.2 神經網絡架構搜索基本思想 275
9.2.1 編碼方法 276
9.2.2 搜索空間 278
9.2.3 搜索策略 279
9.2.4 性能評估策略 282
9.3 神經網絡架構搜索先進技術 283
9.3.1 多目標神經網絡架構搜索 283
9.3.2 個性化聯邦神經網絡架構搜索 284
9.3.3 神經網絡架構搜索中的擴散模型 286
9.4 基於本地引導擴散的聯邦神經網絡架構搜索 287
9.4.1 算法框架 287
9.4.2 基於引導式擴散模型的架構生成 290
9.4.3 客戶端的神經網絡架構搜索 291
9.4.4 服務器的超網聚合方法 292
9.5 算法有效性分析 292
9.5.1 實驗設置 293
9.5.2 參數設置 293
9.5.3 卷積神經網絡搜索空間的實驗結果 295
9.5.4 消融實驗 298
9.5.5 計算與通信成本的分析 299
9.6 小結 301
參考文獻 303

最後瀏覽商品 (20)