联邦学习

《联邦学习》为研究人 员和从业者深入探讨了联邦 学习最重要的问题和方法。 联邦学习（Federated Learning，FL）是一种机器 学习方法，其中训练数据不 是集中管理的。数据由参与 联邦学习过程的各方保留， 不与任何其他实体共享。这 使得联邦学习成为一种日益 流行的机器学习解决方案， 适用于因隐私、监管或实际 原因而难以将数据集中到一 个存储库中的任务。 本书阐述了联邦学习的 最新研究进展和最先进的发 展成果，包括从最初构想到 首次应用和商业化使用。为 了全面、深入地了解这个领 域，研究人员从不同的角度 探讨了联邦学习：机器学习 、隐私和安全、分布式系统 以及具体应用领域。读者将 从这些角度了解联邦学习所 面临的挑战、它们之间的相 互关系，以及解决这些挑战 的前沿方法。 本书第1章介绍了联邦学 习的基础知识，之后的24章 深入探讨了各种不同的主题 。第Ⅰ部分涉及以联邦方式 解决各种机器学习任务的算 法问题，以及如何进行高效 、规模化和公平的训练。第 Ⅱ部分主要介绍联邦学习过 程运行的系统的实际问题。 第Ⅲ部分着重介绍如何选择 隐私和安全解决方案，以适 应特定的应用场景。第Ⅳ部 分讲解了联邦学习的其他重 要应用案例，如拆分学习和 纵向联邦学习。最后，第Ⅴ 部分介绍实际企业环境中联 邦学习的应用和案例。

第Ⅰ部分 联邦学习概述及其作为机器学习方法的问题 第1章 联邦学习介绍 1.1 概述 1.2 概念与术语 1.3 机器学习视角 1.3.1 深度神经网络 1.3.2 经典机器学习模型 1.3.3 横向联邦学习、纵向联邦学习和拆分学习 1.3.4 模型个性化 1.4 安全和隐私 1.4.1 操纵攻击 1.4.2 推断攻击 1.5 联邦学习系统 1.6 本章小结 第2章 采用基于树的模型的联邦学习系统 2.1 介绍 2.1.1 基于树的模型 2.1.2 联邦学习中基于树的模型的关键研究挑战 2.1.3 联邦学习中基于树的模型的优势 2.2 基于树的联邦学习方法综述 2.2.1 横向与纵向联邦学习 2.2.2 联邦学习中基于树的算法类型 2.2.3 基于树的联邦学习的安全需求 2.2.4 联邦学习中基于树的模型的实现 2.3 决策树和梯度提升的初步探讨 2.3.1 联邦学习系统 2.3.2 集中式ID3模型初探 2.3.3 梯度提升初探 2.4 用于联邦学习的决策树 2.5 用于联邦学习的XGBoost 2.6 开放性问题及未来研究方向 2.6.1 数据保真度阈值策略 2.6.2 基于树的联邦学习模型的公平性和偏差缓解方法 2.6.3 在其他网络拓扑上训练基于树的联邦学习模型 2.7 本章小结 第3章 语义向量化：基于文本和图的模型 3.1 介绍 3.2 背景 3.2.1 自然语言处理 3.2.2 文本向量化器 3.2.3 图向量化器 3.3 问题表述 3.3.1 共同学习 3.3.2 向量空间映射 3.4 实验与设置 3.4.1 数据集 3.4.2 实现 3.5 结果：共同学习 3.6 结果：向量空间映射 3.6.1 余弦距离