联邦学习原理与算法

《联邦学习原理与算法》融合了联邦学习资深技术专家多年经验，系统介绍了联邦学习的全貌，内容丰富，兼顾算法理论与实践，对联邦学习性能挑战、安全与隐私挑战，以及推荐系统进行了介绍。理论讲解由浅入深、注重编程实践，语言简练、内容实用。重点难点部分还配备了二维码视频。

本书系统介绍了联邦学习的全貌，内容丰富，兼顾算法理论与实践。算法部分包含横向联邦、纵向联邦等不同的数据建模方式，重点讨论了联邦学习由于数据异质性和设备异质性带来的算法稳定性、隐私性挑战及其解决策略，这对每一个联邦学习框架设计者来说都是至关重要但却容易忽略的部分；实践部分介绍了当前主流的联邦学习框架，并进行对比，然后给出相同算法的不同实现供读者比较。《联邦学习原理与算法》重点介绍了联邦学习计算机视觉及推荐系统等方面的应用，方便算法工程师拓展当前的算法框架，对金融、医疗、边缘计算、区块链等应用也做了详尽阐述，相信对于研究隐私保护机器学习的计算机相关专业学生和联邦学习领域的开发者、创业者都有很好的借鉴作用。详细的代码以及对现有框架和开源项目的介绍是本书的一大特色。《联邦学习原理与算法》为读者提供了全部案例源代码下载和高清学习视频，读者可以直接扫描二维码观看。

出版说明
前言
第1章联邦学习与机器学习基础
1.1联邦学习概述
1.1.1联邦学习的背景与发展
1.1.2联邦学习的定义与分类
1.1.3联邦学习的相关法规与社区
1.1.4展望与总结
1.2联邦学习挑战
1.2.1性能挑战
1.2.2效率挑战
1.2.3隐私与安全挑战
1.3机器学习基础
1.3.1机器学习定义与分类
1.3.2机器学习流程
1.3.3常见的机器学习算法
1.4深度学习基础与框架
1.4.1深度学习基本原理
1.4.2常见的神经网络类型
1.4.3常见的深度学习框架
第2章联邦学习框架


2.1百度PaddleFL框架

2.1.1PaddleFL框架结构 2.1.2PaddleFL框架安装和部署
2.1.3PaddleFL使用示例
2.2Flower框架
2.2.1Flower框架结构
2.2.2Flower框架安装与部署
2.2.3Flower使用示例
2.3微众银行FATE框架
2.3.1FATE的技术架构
2.3.2FATE安装与部署
2.4联邦学习框架对比
第3章联邦学习系统架构
3.1横向联邦学习
3.1.1横向联邦学习定义
3.1.2横向联邦学习算法
3.1.3安全聚合算法
3.2纵向联邦学习
3.2.1纵向联邦学习算法概述
3.2.2纵向联邦逻辑回归算法
3.3分割学习
3.3.1分割学习基本原理
3.3.2分割学习设置与应用场景
第4章联邦学习建模难点与解决方案
4.1数据统计异质性
4.1.1非独立同分布影响与收敛性分析
4.1.2非同质性数据分类与构建
4.1.3联邦学习非独立同分布策略
4.2个性化联邦学习


4.2.1个性化联邦学习的动机和概念

4.2.2全局模型个性化策略 4.2.3个性化本地模型
4.3联邦学习通信与加速算法
4.3.1模型压缩算法
4.3.2异步与并行优化
4.3.3硬件加速
第5章联邦学习与隐私保护
5.1差分隐私
5.1.1差分隐私定义
5.1.2差分隐私与机器学习
5.1.3差分隐私在联邦学习中的应用
5.1.4开源项目与工具
5.2安全多方计算
5.2.1百万富翁问题
5.2.2不经意传输
5.2.3混淆电路
5.2.4秘密分享
5.2.5安全多方计算在联邦学习中的应用
5.3同态加密
5.3.1同态加密定义与分类
5.3.2部分同态加密方案
5.4可信执行环境
第6章联邦学习系统安全与防御算法
6.1联邦学习安全性分析
6.1.1CIA原则: 私密性、完整性与可用性
6.1.2敌手模型
6.2联邦学习隐私攻击与防御
6.2.1成员推断攻击与防御
6.2.2重构攻击与防御
……