聯邦學習實戰

楊強 等

  • 出版商: 電子工業
  • 出版日期: 2021-04-01
  • 定價: $714
  • 售價: 8.5$607
  • 語言: 簡體中文
  • 頁數: 340
  • ISBN: 7121407922
  • ISBN-13: 9787121407925

下單後立即進貨 (約4週~6週)

買這商品的人也買了...

相關主題

商品描述

數據孤島和隱私保護已經成為制約人工智能發展的關鍵因素。聯邦學習作為一種新型的隱私保護計算方案,在數據不出本地的前提下,能有效聯合各參與方聯合建模,從而實現“共同富裕”,成為當下人工智能領域備受關註的熱點。本書以實戰為主(包括對應用案例的深入講解和代碼分析),兼顧對理論知識的系統總結。全書由五部分共19 章構成。第一部分簡要介紹了聯邦學習的理論知識點;第二部分介紹如何使用Python 和FATE 進行簡單的聯邦學習建模;第三部分是聯邦學習的案例分析,篩選了經典案例進行講解,部分案例用Python 代碼實現,部分案例採用FATE 實現;第四部分主要介紹和聯邦學習相關的高級知識點,包括聯邦學習的架構和訓練的加速方法等;第五部分是回顧與展望。本書適合對聯邦學習和隱私保護感興趣的高校研究者、企業研發人員閱讀。

目錄大綱

第一部分聯邦學習基礎 第1章 聯邦學習概述/3 1.1 數據資產的重要性/4 1.2 聯邦學習提出的背景/5 1.3 聯邦學習的定義/7 1.4 聯邦學習的分類/10 1.5 聯邦學習算法現狀/12 第2章 聯邦學習的安全機制/15 2.1 基於同態加密的安全機制/16 2.1.1 同態加密的定義/16 2.1.2 同態加密的分類/18 2.2 基於差分隱私的安全機制/20 2.2.1 差分隱私的定義/20 2.2.2 差分隱私的實現機制/23 2.3 基於安全多方計算的安全機制/26 2.3.1 秘密共享/26 2.3.2 不經意傳輸/28 2.3.3 混淆電路/29 2.4 安全機制的性能效率對比/30 2.5 基於Python 的安全計算庫/31 第二部分聯邦學習快速入門 第3章 用Python 從零實現橫向聯邦圖像分類/35 3.1 環境配置/36 3.2 PyTorch 基礎/37 3.2.1 創建Tensor /37 3.2.2 Tensor 與Python 數據結構的轉換/38 3.2.3 數據操作/39 3.2.4 自動求導/41 3.3 用Python 實現橫向聯邦圖像分類/41 3.3.1 配置信息/41 3.3.2 訓練數據集/42 3.3.3 服務端/43 3.3.4 客戶端/45 3.3.5 整合/46 3.4 聯邦訓練的模型效果/47 3.4.1 聯邦訓練與集中式訓練的效果對比/47 3.4.2 聯邦模型與單點訓練模型的對比/48 第4章 微眾銀行FATE 平臺/51 4.1 FATE 平臺架構概述/52 4.2 FATE 安裝與部署/53 4.2.1 單機部署/53 4.2.2 集群部署/54 4.2.3 KubeFATE 部署/55 4.3 FATE 編程範式/55 4.4 FATE 應用案例/57 第5章 用FATE 從零實現橫向邏輯回歸/59 5.1 數據集的獲取與描述/60 5.2 邏輯回歸/60 5.3 橫向數據集切分/61 5.4 橫向聯邦模型訓練/62 5.4.1 數據輸入/63 5.4.2 模型訓練/65 5.4.3 模型評估/67 5.5 多參與方環境配置/71 第6章 用FATE 從零實現縱向線性回歸/73 6.1 數據集的獲取與描述/74 6.2 縱向數據集切分/74 6.3 縱向聯邦訓練/76 6.3.1 數據輸入/76 6.3.2 樣本對齊/78 6.3.3 模型訓練/78 6.3.4 模型評估/81 第7章 聯邦學習實戰資源/85 7.1 FATE 幫助文檔/86 7.2 本書配套的代碼/86 7.3 其他聯邦學習平臺/86 7.3.1 TensorFlow-Federated /86 7.3.2 OpenMined PySyft /87 7.3.3 NVIDIA Clara 聯邦學習平臺/88 7.3.4 百度PaddleFL /89 7.3.5 騰訊AngelFL /90 7.3.6 同盾知識聯邦平臺/90 第三部分聯邦學習案例實戰詳解 第8章 聯邦學習在金融保險領域的應用案例/95 8.1 概述/96 8.2 基於縱向聯邦學習的保險個性化定價案例/97 8.2.1 案例描述/97 8.2.2 保險個性化定價的縱向聯邦建模/98 8.2.3 效果對比/102 8.3 基於橫向聯邦的銀行間反洗錢模型案例/103 8.3.1 案例描述/103 8.3.2 反洗錢模型的橫向聯邦建模/104 8.3.3 效果對比/105 8.4 金融領域的聯邦建模難點/106 8.4.1 數據不平衡/106 8.4.2 可解析性/107 第9章 聯邦個性化推薦案例/109 9.1 傳統的集中式個性化推薦/110 9.1.1 矩陣分解/110 9.1.2 因子分解機/112 9.2 聯邦矩陣分解/114 9.2.1 算法詳解/114 9.2.2 詳細實現/116 9.3 聯邦因子分解機/119 9.3.1 算法詳解/119 9.3.2 詳細實現/122 9.4 其他聯邦推薦算法/126 9.5 聯邦推薦雲服務使用/127 第10章 聯邦學習視覺案例/129 10.1 概述/130 10.2 案例描述/131 10.3 目標檢測算法概述/131 10.3.1 邊界框與錨框/132 10.3.2 交並比/133 10.3.3 基於候選區域的目標檢測算法/133 10.3.4 單階段目標檢測/134 10.4 基於聯邦學習的目標檢測網絡/136 10.4.1 動機/136 10.4.2 FedVision-聯邦視覺產品/137 10.5 方法實現/138 10.5.1 Flask-SocketIO 基礎/138 10.5.2 服務端設計/141 10.5.3 客戶端設計/143 10.5.4 模型和數據集/145 10.5.5 性能分析/146 第11章 聯邦學習在智能物聯網中的應用案例/149 11.1 案例的背景與動機/150 11.2 歷史數據分析/152 11.3 出行時間預測模型/153 11.3.1 問題定義/153 11.3.2 構造訓練數據集/154 11.3.3 模型結構/155 11.4 聯邦學習實現/156 11.4.1 服務端設計/157 11.4.2 客戶端設計/158 11.4.3 性能分析/159 第12 章聯邦學習醫療健康應用案例/161 12.1 醫療健康數據概述/162 12.2 聯邦醫療大數據與腦卒中預測/164 12.2.1 腦卒中預測案例概述/164 12.2.2 聯邦數據預處理/164 12.2.3 聯邦學習腦卒中預測系統/165 12.3 聯邦學習在醫療影像中的應用/169 12.3.1 肺結節案例描述/170 12.3.2 數據概述/170 12.3.3 模型設計/171 12.3.4 聯邦學習的效果/173 第13章 聯邦學習智能用工案例/175 13.1 智能用工簡介/176 13.2 智能用工平臺/176 13.2.1 智能用工的架構設計/176 13.2.2 智能用工的算法設計/177 13.3 利用橫向聯邦提升智能用工模型/180 13.4 設計聯邦激勵機制,提升聯邦學習系統的可持續性/180 13.4.1 FedGame 系統架構/181 13.4.2 FedGame 設計原理/182 13.5 系統設置/183 第14章 構建公平的大數據交易市場/185 14.1 大數據交易/187 14.1.1 數據交易的定義/187 14.1.2 數據確權/188 14.1.3 數據定價/189 14.2 基於聯邦學習構建新一代大數據交易市場/189 14.3 聯邦學習激勵機制助力數據交易/190 14.4 聯邦學習激勵機制的問題描述/191 14.5 FedCoin 支付系統設計/192 14.5.1 PoSap 共識算法/193 14.5.2 支付方案/197 14.6 FedCoin 的安全分析/198 14.7 實例演示/199 14.7.1 演示系統的實現/199 14.7.2 效果展示/200 第15 章聯邦學習攻防實戰/203 15.1 後門攻擊/204 15.1.1 問題定義/204 15.1.2 後門攻擊策略/205 15.1.3 詳細實現/207 15.2 差分隱私/210 15.2.1 集中式差分隱私/211 15.2.2 聯邦差分隱私/213 15.2.3 詳細實現/215 15.3 模型壓縮/217 15.3.1 參數稀疏化/217 15.3.2 按層敏感度傳輸/219 15.4 同態加密/222 15.4.1 Paillier 半同態加密算法/222 15.4.2 加密損失函數計算/222 15.4.3 詳細實現/224 第四部分聯邦學習進階 第16 章聯邦學習系統的通信機制/231 16.1 聯邦學習系統架構/232 16.1.1 客戶–服務器架構/232 16.1.2 對等網絡架構/233 16.1.3 環狀架構/234 16.2 網絡通信協議簡介/235 16.3 基於socket 的通信機制/237 16.3.1 socket 介紹/237 16.3.2 基於Python 內置socket 庫的實現/238 16.3.3 基於Python-SocketIO 的實現/239 16.3.4 基於Flask-SocketIO 的實現/241 16.4 基於RPC 的通信機制/241 16.4.1 RPC 介紹/241 16.4.2 基於gRPC 的實現/243 16.4.3 基於ICE 的實現/244 16.5 基於RMI 的通信機制/248 16.5.1 RMI 介紹/248 16.5.2 在Python 環境下使用RMI /249 16.6 基於MPI 的通信機制/249 16.6.1 MPI 簡介/249 16.6.2 在Python 環境下使用MPI /249 16.7 本章小結/250 第17 章聯邦學習加速方法/251 17.1 同步參數更新的加速方法/252 17.1.1 增加通信間隔/253 17.1.2 減少傳輸內容/254 17.1.3 非對稱的推送和獲取/256 17.1.4 計算和傳輸重疊/256 17.2 異步參數更新的加速方法/257 17.3 基於模型集成的加速方法/258 17.3.1 One-Shot 聯邦學習/258 17.3.2 基於學習的聯邦模型集成/260 17.4 硬件加速/261 17.4.1 使用GPU 加速計算/261 17.4.2 使用FPGA 加速計算/263 17.4.3 混合精度訓練/264 第18章 聯邦學習與其他前沿技術/267 18.1 聯邦學習與Split Learning /268 18.1.1 Split Learning 設計模式/268 18.1.2 Split Learning 與聯邦學習的異同/270 18.2 聯邦學習與區塊鏈/271 18.2.1 區塊鏈技術原理/271 18.2.2 聯邦學習與區塊鏈的異同點/275 18.3 聯邦學習與邊緣計算/277 18.3.1 邊緣計算綜述/277 18.3.2 聯邦學習與邊緣計算的異同點/279 第五部分 回顧與展望 第19 章總結與展望/283 19.1 聯邦學習進展總結/287 19.1.1 聯邦學習標準建設/287 19.1.2 理論研究總結/288 19.1.3 落地應用進展總結/290 19.2 未來展望/292 19.2.1 聯邦學習的可解析性/293 19.2.2 聯邦學習的安全性/295 19.2.3 聯邦學習的公平性激勵機制/296 19.2.4 聯邦學習的模型收斂性和性能效率/297 參考文獻/299