深入浅出联邦学习：原理与实践

内容介绍<br>这是一本从基础、原理、实战、拓展4个维度系统讲解联邦学习的著作。<br>作者是人工智能领域的资深专家，现任某大型金融集团科技公司联邦学习团队负责人，这本书不仅得到了中外院士的联合推荐，而且得到了来自清华大学、华中科技大学、百度、蚂蚁集团、同盾科技等学术界和企业界的专家的一致推荐。<br><br>全书共9章，分为4个部分。<br>第1部分 基础（第1~2章）<br>主要介绍了联邦学习的概念、由来、发展历史、架构思想、应用场景、优势、规范与标准、社区与生态等基础内容，帮助读者建立对联邦学习的感性认知。<br>第二部分 原理（第3~5章）<br>详细讲解了联邦学习的工作原理、算法、加密机制、激励机制等核心技术，为读者进行联邦学习实践打好理论基础。<br>第三部分 实战（第6~7章）<br>主要讲解了PySyft、TFF、CrypTen等主流联邦学习开源框架的部署实践，并给出了联邦学习在智慧金融、智慧医疗、智慧城市、物联网等领域的具体解决方案。<br>第四部分 拓展（第8~9章）<br>概述了联邦学习的形态、联邦学习系统架构、当前面临的挑战等，并探讨了联邦学习的发展前景和趋势。

作者简介<br>王健宗（博士）<br>某大型金融集团科技公司联邦学习团队负责人、高级工程师。<br>中国计算机学会大数据专家委员会委员、杰出会员，中国计算机学会青年计算机科技论坛（YOCSEF深圳）优秀AC委员。深圳市领军人才，美国佛罗里达大学人工智能博士后。<br>长期从事联邦智能隐私计算技术研发和平台搭建工作，发表联邦学习、深度学习、云计算、大数据等领域国际论文50余篇，获得专利100余项。著有《深入理解AutoML和AutoDL：构建自动化机器学习与深度学习平台》《金融智能：AI如何为银行、保险、证券业赋能》等书，同时还是多届国内外知名人工智能、大数据行业会议出品人。<br><br>李泽远<br> 某大型金融集团科技公司高级人工智能产品经理，中国计算机学会会员，中国计算机学会青年计算机科技论坛（YOCSEF深圳）AC委员。长期负责AI技术类的产品生态搭建与实施推进，曾参与完成联邦学习、生物鉴权技术在金融领域平台型产品中的设计与落地投产，在全周期项目中积累有丰富的实战经验。<br><br>何安珣<br>某大型金融集团科技公司高级算法工程师，中国计算机学会会员，中国计算机学会青年计算机科技论坛（YOCSEF深圳）委员。拥有丰富的金融人工智能从业经验，主要研究金融智能系统框架搭建、算法研究和模型融合技术等，致力于推动金融智能的落地应用与价值创造。

前言<br/>第一部分　基础<br/>第1章　联邦学习的前世今生2<br/>　1.1　联邦学习的由来2<br/>　1.2　联邦学习的发展历程3<br/>　1.3　联邦学习的规范与标准8<br/>　1.4　联邦学习的社区与生态9<br/>　1.5　本章小结10<br/>第2章　全面认识联邦学习11<br/>　2.1　什么是联邦学习11<br/>　2.2　联邦学习的架构思想12<br/>　2.3　联邦学习的应用场景14<br/>　2.4　联邦学习的优势与前景15<br/>　2.5　本章小结16<br/>第二部分　原理<br/>第3章　联邦学习的工作原理18<br/>　3.1　联邦学习的计算环境18<br/>3.1.1　可信执行环境18<br/>3.1.2　无可信计算环境22<br/>　3.2　联邦学习的算法23<br/>3.2.1　中心联邦优化算法24<br/>3.2.2　联邦机器学习算法25<br/>3.2.3　联邦深度学习算法28<br/>　3.3　联邦学习的算子29<br/>3.3.1　联邦学习数据预处理算子30<br/>3.3.2　联邦学习模型训练算子34<br/>　3.4　本章小结49<br/>第4章　联邦学习的加密机制50<br/>　4.1　联邦学习的安全问题50<br/>4.1.1　模型完整性问题50<br/>4.1.2　模型可用性问题51<br/>4.1.3　模型机密性问题52<br/>4.1.4　问题总结53<br/>　4.2　联邦学习的加密方式53<br/>4.2.1　同态加密53<br/>4.2.2　差分隐私55<br/>4.2.3　安全多方计算57<br/>4.2.4　国密SM2算法58<br/>4.2.5　国密SM4算法60<br/>4.2.6　Deffie-Hellman算法61<br/>4.2.7　混合加密61<br/>　4.3　本章小结63<br/>第5章　联邦学习的激励机制64<br/>　5.1　数据贡献评估65<br/>　5.2　数据贡献与激励支付的关系66<br/>　5.3　参与方贡献效益评估67<br/>　5.4　参与方贡献效益与激励支付的关系68<br/>　5.5　计算和通信消耗评估68<br/>　5.6　计算消耗、通信消耗和激励支付的关系69<br/>　5.7　本章小结70<br/>第三部分　实战<br/>第6章　联邦学习开发实践72<br/>　6.1　联邦学习开源框架部署：PySyft72<br/>6.1.1　PySyft基本介绍72<br/>6.1.2　开发环境准备与搭建72<br/>6.1.3　PySyft安装指南75<br/>6.1.4　开发前的准备76<br/>6.1.5　PySyft测试样例76<br/>6.1.6　实操：分布式联邦学习部署87<br/>　6.2　联邦学习开源框架部署：TFF93<br/>6.2.1　TFF基本介绍93<br/>6.2.2　开发环境准备与搭建94<br/>6.2.3　TFF安装指南94<br/>6.2.4　开发前的准备95<br/>6.2.5　TFF测试样例95<br/>　6.3　联邦学习开源框架部署：CrypTen100<br/>6.3.1　CrypTen基本介绍100<br/>6.3.2　开发环境准备与搭建100<br/>6.3.3　CrypTen安装指南101<br/>6.3.4　开发前的准备101<br/>6.3.5　CrypTen测试样例102<br/>　6.4　本章小结111<br/>第7章　联邦学习的行业解决方案112<br/>　7.1　联邦学习+智慧金融112<br/>7.1.1　联邦学习+银行112<br/>7.1.2　联邦学习+保险121<br/>7.1.3　联邦学习+投资125<br/>　7.2　联邦学习+智慧医疗128<br/>7.2.1　联邦学习+医疗影像诊断128<br/>7.2.2　联邦学习+疾病风险预测130<br/>7.2.3　联邦学习+药物挖掘133<br/>7.2.4　联邦学习+医护资源配置135<br/>　7.3　联邦学习+智慧城市137<br/>7.3.1　联邦学习+零售137<br/>7.3.2　联邦学习+交通140<br/>7.3.3　联邦学习+物流141<br/>7.3.4　联邦学习+政府143<br/>7.3.5　联邦学习+安防146<br/>　7.4　联邦学习+物联网148<br/>7.4.1　联邦学习+车联网148<br/>7.4.2　联邦学习+智能家居150<br/>7.4.3　联邦学习+可穿戴设备153<br/>7.4.4　联邦学习+机器人155<br/>　7.5　本章小结160<br/>第四部分　拓展<br/>第8章　联邦学习的延伸162<br/>　8.1　联邦学习的布局162<br/>8.1.1　Google的联邦学习162<br/>8.1.2　Facebook的联邦学习166<br/>8.1.3　联邦智能167<br/>8.1.4　共享智能169<br/>8.1.5　知识联邦172<br/>8.1.6　异构联邦177<br/>8.1.7　联邦学习方案对比178<br/>　8.2　联邦学习系统框架179<br/>8.2.1　工业级联邦学习系统179<br/>8.2.2　企业级联邦学习系统181<br/>8.2.3　实验开发级联邦学习系统181<br/>　8.3　本章小结183<br/>第9章　联邦学习的挑战、趋势和展望184<br/>　9.1　联邦学习应对的挑战184<br/>　9.2　联邦学习的趋势和展望187<br/>　9.3　本章小结189