"《聯邦學習實戰》涵蓋了聯邦學習落地的一手應用案例，配以Python代碼、闡述FATE平臺的使用，讀者可以快速開始聯邦學習的建模，動手實踐！《聯邦學習實戰》特色：?深度剖析前沿應用案例?豐富的配套視頻資源、線上資源?部分案例配以Python代碼講解"

●第一部分聯邦學習基礎第1章 聯邦學習概述/31.1 數據資產的重要性/41.2 聯邦學習提出的背景/51.3 聯邦學習的定義/71.4 聯邦學習的分類/101.5 聯邦學習算法現狀/12第2章 聯邦學習的安全機制/152.1 基於同態加密的安全機制/162.1.1 同態加密的定義/162.1.2 同態加密的分類/182.2 基於差分隱私的安全機制/202.2.1 差分隱私的定義/202.2.2 差分隱私的實現機制/232.3 基於安全多方計算的安全機制/262.3.1 秘密共享/262.3.2 不經意傳輸/282.3.3 混淆電路/292.4 安全機制的性能效率對比/302.5 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/353.1 環境配置/363.2 PyTorch 基礎/373.2.1 創建Tensor /373.2.2 Tensor 與Python 數據結構的轉換/383.2.3 數據操作/393.2.4 自動求導/413.3 用Python 實現橫向聯邦圖像分類/413.3.1 配置信息/413.3.2 訓練數據集/423.3.3 服務端/433.3.4 客戶端/453.3.5 整合/463.4 聯邦訓練的模型效果/473.4.1 聯邦訓練與集中式訓練的效果對比/473.4.2 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/514.1 FATE 平臺架構概述/524.2 FATE 安裝與部署/534.2.1 單機部署/534.2.2 集群部署/544.2.3 KubeFATE 部署/554.3 FATE 編程範式/554.4 FATE 應用案例/57第5章 用FATE 從零實現橫向邏輯回歸/595.1 數據集的獲取與描述/605.2 邏輯回歸/605.3 橫向數據集切分/615.4 橫向聯邦模型訓練/625.4.1 數據輸入/635.4.2 模型訓練/655.4.3 模型評估/675.5 多參與方環境配置/71第6章 用FATE 從零實現縱向線性回歸/736.1 數據集的獲取與描述/746.2 縱向數據集切分/746.3 縱向聯邦訓練/766.3.1 數據輸入/766.3.2 樣本對齊/786.3.3 模型訓練/786.3.4 模型評估/81第7章 聯邦學習實戰資源/857.1 FATE 幫助文檔/867.2 本書配套的代碼/867.3 其他聯邦學習平臺/867.3.1 TensorFlow-Federated /867.3.2 OpenMined PySyft /877.3.3 NVIDIA Clara 聯邦學習平臺/887.3.4 百度PaddleFL /897.3.5 騰訊AngelFL /907.3.6 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/958.1 概述/968.2 基於縱向聯邦學習的保險個性化定價案例/978.2.1 案例描述/978.2.2 保險個性化定價的縱向聯邦建模/988.2.3 效果對比/1028.3 基於橫向聯邦的銀行間反洗錢模型案例/1038.3.1 案例描述/1038.3.2 反洗錢模型的橫向聯邦建模/1048.3.3 效果對比/1058.4 金融領域的聯邦建模難點/1068.4.1 數據不平衡/1068.4.2 可解析性/107第9章 聯邦個性化推薦案例/1099.1 傳統的集中式個性化推薦/1109.1.1 矩陣分解/1109.1.2 因子分解機/1129.2 聯邦矩陣分解/1149.2.1 算法詳解/1149.2.2 詳細實現/1169.3 聯邦因子分解機/1199.3.1 算法詳解/1199.3.2 詳細實現/1229.4 其他聯邦推薦算法/1269.5 聯邦推薦雲服務使用/127第10章 聯邦學習視覺案例/12910.1 概述/13010.2 案例描述/13110.3 目標檢測算法概述/13110.3.1 邊界框與錨框/13210.3.2 交並比/13310.3.3 基於候選區域的目標檢測算法/13310.3.4 單階段目標檢測/13410.4 基於聯邦學習的目標檢測網絡/13610.4.1 動機/13610.4.2 FedVision-聯邦視覺產品/13710.5 方法實現/13810.5.1 Flask-SocketIO 基礎/13810.5.2 服務端設計/14110.5.3 客戶端設計/14310.5.4 模型和數據集/14510.5.5 性能分析/146第11章 聯邦學習在智能物聯網中的應用案例/14911.1 案例的背景與動機/15011.2 歷史數據分析/15211.3 出行時間預測模型/15311.3.1 問題定義/15311.3.2 構造訓練數據集/15411.3.3 模型結構/15511.4 聯邦學習實現/15611.4.1 服務端設計/15711.4.2 客戶端設計/15811.4.3 性能分析/159第12 章聯邦學習醫療健康應用案例/16112.1 醫療健康數據概述/16212.2 聯邦醫療大數據與腦卒中預測/16412.2.1 腦卒中預測案例概述/16412.2.2 聯邦數據預處理/16412.2.3 聯邦學習腦卒中預測繫統/16512.3 聯邦學習在醫療影像中的應用/16912.3.1 肺結節案例描述/17012.3.2 數據概述/17012.3.3 模型設計/17112.3.4 聯邦學習的效果/173第13章 聯邦學習智能用工案例/17513.1 智能用工簡介/17613.2 智能用工平臺/17613.2.1 智能用工的架構設計/17613.2.2 智能用工的算法設計/17713.3 利用橫向聯邦提升智能用工模型/18013.4 設計聯邦激勵機制，提升聯邦學習繫統的可持續性/18013.4.1 FedGame 繫統架構/18113.4.2 FedGame 設計原理/18213.5 繫統設置/183第14章 構建公平的大數據交易市場/18514.1 大數據交易/18714.1.1 數據交易的定義/18714.1.2 數據確權/18814.1.3 數據定價/18914.2 基於聯邦學習構建新一代大數據交易市場/18914.3 聯邦學習激勵機制助力數據交易/19014.4 聯邦學習激勵機制的問題描述/19114.5 FedCoin 支付繫統設計/19214.5.1 ap 共識算法/19314.5.2 支付方案/19714.6 FedCoin 的安全分析/19814.7 實例演示/19914.7.1 演示繫統的實現/19914.7.2 效果展示/200第15 章聯邦學習攻防實戰/20315.1 後門攻擊/20415.1.1 問題定義/20415.1.2 後門攻擊策略/20515.1.3 詳細實現/20715.2 差分隱私/21015.2.1 集中式差分隱私/21115.2.2 聯邦差分隱私/21315.2.3 詳細實現/21515.3 模型壓縮/21715.3.1 參數稀疏化/21715.3.2 按層敏感度傳輸/21915.4 同態加密/22215.4.1 Paillier 半同態加密算法/22215.4.2 加密損失函數計算/22215.4.3 詳細實現/224第四部分聯邦學習進階第16 章聯邦學習繫統的通信機制/23116.1 聯邦學習繫統架構/23216.1.1 客戶?服務器架構/23216.1.2 對等網絡架構/23316.1.3 環狀架構/23416.2 網絡通信協議簡介/23516.3 基於socket 的通信機制/23716.3.1 socket 介紹/23716.3.2 基於Python 內置socket 庫的實現/23816.3.3 基於Python-SocketIO 的實現/23916.3.4 基於Flask-SocketIO 的實現/24116.4 基於RPC 的通信機制/24116.4.1 RPC 介紹/24116.4.2 基於gRPC 的實現/24316.4.3 基於ICE 的實現/24416.5 基於RMI 的通信機制/24816.5.1 RMI 介紹/24816.5.2 在Python 環境下使用RMI /24916.6 基於MPI 的通信機制/24916.6.1 MPI 簡介/24916.6.2 在Python 環境下使用MPI /24916.7 本章小結/250第17 章聯邦學習加速方法/25117.1 同步參數更新的加速方法/25217.1.1 增加通信間隔/25317.1.2 減少傳輸內容/25417.1.3 非對稱的推送和獲取/25617.1.4 計算和傳輸重疊/25617.2 異步參數更新的加速方法/25717.3 基於模型集成的加速方法/25817.3.1 One-Shot 聯邦學習/25817.3.2 基於學習的聯邦模型集成/26017.4 硬件加速/26117.4.1 使用GPU 加速計算/26117.4.2 使用FPGA 加速計算/26317.4.3 混合精度訓練/264第18章 聯邦學習與其他前沿技術/26718.1 聯邦學習與Split Learning /26818.1.1 Split Learning 設計模式/26818.1.2 Split Learning 與聯邦學習的異同/27018.2 聯邦學習與區塊鏈/27118.2.1 區塊鏈技術原理/27118.2.2 聯邦學習與區塊鏈的異同點/27518.3 聯邦學習與邊緣計算/27718.3.1 邊緣計算綜述/27718.3.2 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/28319.1 聯邦學習進展總結/28719.1.1 聯邦學習標準建設/28719.1.2 理論研究總結/28819.1.3 落地應用進展總結/29019.2 未來展望/29219.2.1 聯邦學習的可解析性/29319.2.2 聯邦學習的安全性/29519.2.3 聯邦學習的公平性激勵機制/29619.2.4 聯邦學習的模型收斂性和性能效率/297參考文獻/299

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注的熱點。本書以實戰為主（包括對應用案例的深入講解和代碼分析），兼顧對理論知識的繫統總結。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，部分案例采用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。

楊強等 著