聯邦學習原理與應用

向小佳 等

買這商品的人也買了...

相關主題

商品描述

本書既是關於聯邦學習技術和上手實踐方法的介紹,又是關於聯邦學習在業界,特別是金融科技行業應用實踐的案例展示。第1章介紹聯邦學習的發展背景和歷程,以及金融業中數據共享的機遇和挑戰。第2章~第5章介紹不同類型的機器學習方法在聯邦學習模式下的實現,以及關鍵算法原理。第6章介紹聯邦學習開源框架FATE的架構和部署,以及在金融控股集團內大數據平臺上建立跨機構統一數據科學平臺的實施方案。第7章從建模者的角度展示了典型建模流程的實戰過程。第8章和第9章結合在金融相關行業的實踐,以多個應用案例和解決方案的形式,介紹聯邦學習在營銷運營和風險管理等不同業務方向上不同層次的應用實踐。第10章從人工智能的不同方向介紹聯邦學習應用擴展及前景。附錄介紹了聯邦學習框架中相關的密碼學工具。

作者簡介

向小佳,光大科技有限公司副總經理。光大科技有限公司植根於金融科技領域,於2018年就開始探索數據的加密共享。在國內金控領域,他於2018年第一個發起聯邦學習應用研究,並將其在風控、營銷方面落地,建設了自主可控的聯邦學習平台。他曾任中國科學院副研究員和碩士生導師、哥倫比亞大學訪問學者、華為架構師。他在雲計算、大數據、機器學習領域具有豐富的學術與產業應用經驗。他於2010年獲得清華大學博士學位,曾參與多個“863”“973”項目,主持國家自然科學基金項目一項,發表期刊和會議論文20餘篇。


李琨,光大科技有限公司追光實驗室負責人,擁有國內外多個行業數據挖掘建模和算法創新領域的多年實踐經驗,現在致力於金控集團數據協同和數據挖掘方向的解決方案實現與算法創新。他於2011年獲得北京大學計算數學博士學位,發表算法相關的期刊和會議論文10餘篇。


王鵬,光大科技有限公司大數據研究團隊負責人。他現在負責金控集團聯邦學習生態系統的建設和技術創新,參與了多個隱私計算行業標準制定,是聯邦學習開源項目FATE專家技術指導委員會成員。他擁有10餘年的大數據、人工智能係統設計經驗,並在金控集團應用領域中實現了技術創新,其創新成果獲得了多項行業獎項。


鄭方蘭,光大科技有限公司追光實驗室技術專家,在多個業務場景中有豐富的數據挖掘經驗,現主要致力於開發算法模塊解決實際業務問題和算法創新。他於2012年獲得博士學位,在國際主流的學術會議和期刊上發表論文10餘篇。


田江,工學博士,光大科技有限公司大數據部負責人,在大數據、人工智能領域擁有豐富的理論研究及實踐經驗,發表國內外期刊和會議論文30餘篇,參與起草國家標準《數據管理能力成熟度評估模型》並受聘為評估專家,同時多次獲得中國人民銀行信息科技課題研究獎項。

目錄大綱

第1章 / 聯邦學習與金融科技應用介紹
1.1 聯邦學習的發展背景和歷程
1.2 金融數據價值挖掘的聯邦學習實踐

第2章 / 聯邦學習算法之建模準備
2.1 聯邦學習的分類
2.2 樣本對齊的實現方式
2.2.1 基於哈希函數的普通對齊方式
2.2.2 基於非對稱加密算法的隱私保護對齊方式
2.3 特徵工程的聯邦學習實現方式
2.3.1 特徵工程簡介
2.3.2 聯邦特徵工程

第3章 / 聯邦學習算法之模型實現
3.1 線性模型的聯邦學習實現方式
3.1.1 橫向聯邦學習中的線性模型
3.1.2 縱向聯邦學習中的線性模型
3.2 極端梯度提升樹的聯邦學習實現方式
3.2.1 XGBoost算法介紹
3.2.2 SecureBoost算法介紹
3.3 深度學習類算法的聯邦學習實現方式
3.3.1 深度學習的基本概念
3.3.2 常用的深度學習算法介紹
3.3.3 聯邦深度學習算法介紹

第4章 / 基於聯邦學習的推薦系統
4.1 信息推薦與推薦系統
4.2 矩陣分解和因子分解機的實現方式
4.2.1 基於隱語義模型的推薦算法
4.2.2 矩陣分解算法
4.2.3 因子分解機模型
4.3 聯邦推薦系統算法
4.3.1 聯邦推薦算法的隱私保護
4.3.2 聯邦推薦系統的分類
4.3.3 橫向聯邦推薦系統
4.3.4 縱向聯邦推薦系統

第5章 / 聯邦學習應用之數據要素價值
5.1 聯邦學習貢獻度
5.1.1 背景介紹
5.1.2 基於缺失法的貢獻度計算
5.1.3 基於Shapley值的貢獻度計算
5.2 基於聯邦學習的數據要素交易
5.2.1 數據要素交易的背景與現狀
5.2.2 基於聯邦學習的交易機制構建

第6章 / 聯邦學習平台搭建實踐
6.1 聯邦學習開源框架介紹
6.2 FATE架構與核心功能
6.3 金融控股集團聯邦學習平台簡介
6.4 FATE集群部署實踐
6.4.1 All-in-one方式部署FATE集群
6.4.2 Docker-Compose方式部署FATE集群
6.4.3 在Kubernetes上部署FATE集群
6.4.4 FATE集群部署驗證
6.4.5 FATE集群配置管理及注意事項
6.5 與異構平台對接
6.5.1 與大數據平台對接
6.5.2 與區塊鏈平台對接
6.5.3 多參與方自動統計任務

第7章 / 聯邦學習平台實踐之建模實戰
7.1 橫向聯邦學習場景
7.1.1 建模問題與環境準備
7.1.2 橫向聯邦學習建模實踐過程
7.2 縱向聯邦學習場景
7.2.1 建模問題與環境準備
7.2.2 縱向聯邦學習建模實踐過程

第8章 / 跨機構聯邦學習運營應用案例
8.1 跨機構數據統計
8.2 在交叉營銷場景中的聯邦學習實踐
8.2.1 聯邦學習在交叉營銷場景中的應用
8.2.2 信用卡交叉營銷的聯邦學習案例
8.3 聯邦規則抽取算法及其在反欺詐與營銷場景中的應用
8.3.1 基於F-score的聯邦集成樹模型和其對應的業務背景
8.3.2 損失函數、剪枝和自動化規則抽取
8.3.3 縱向和橫向Fed-FEARE
8.3.4 橫向Fed-FEARE應用於金融反欺詐
8.3.5 縱向Fed-FEARE應用於精準營銷

第9章 / 跨機構聯邦學習風控應用案例
9.1 聯邦學習下的評分卡建模實踐
9.1.1 背景需求介紹
9.1.2 聯邦學習框架下的評分卡建模
9.1.3 聯邦學習框架下的評分卡模型優化
9.1.4 應用案例
9.2 對企業客戶評估的聯邦學習和區塊鏈聯合解決方案
9.2.1 金融控股集團內對企業客戶評估的應用背景
9.2.2 聯邦解決方案的內容
9.2.3 券商對公客戶的評級開發
9.3 在保險核保場景中銀行保險數據聯邦學習實踐
9.3.1 保險核保
9.3.2 智能核保
9.3.3 聯邦學習與智能核保

第10章 / 聯邦學習應用擴展
10.1 基於聯邦學習的計算機視覺應用
10.1.1 聯邦計算機視覺簡述
10.1.2 研究現狀與應用展望
10.2 聯邦學習在自然語言處理領域的應用
10.2.1 聯邦自然語言處理技術進展
10.2.2 聯邦自然語言處理應用
10.2.3 挑戰與展望
10.3 聯邦學習在大健康領域中的應用
10.3.1 聯邦學習的大健康應用發展歷程
10.3.2 挑戰與顧慮
10.4 聯邦學習在物聯網中的應用
10.4.1 物聯網與邊緣計算
10.4.2 人工智能物聯網
10.4.3 研究現狀與挑戰

附錄1 RSA公鑰加密算法
附錄2 Paillier半同態加密算法
附錄3 安全多方計算的SPDZ協議
參考文獻