●序言Ⅲ
前言Ⅳ
作者簡介Ⅷ
第1章引言/1
1.1人工智能面臨的挑戰/2
1.2聯邦學習概述/4
1.2.1聯邦學習的定義/5
1.2.2聯邦學習的分類/8
1.3聯邦學習的發展/11
1.3.1聯邦學習的研究/11
1.3.2開源平臺/13
1.3.3聯邦學習標準化進展/14
1.3.4聯邦人工智能生態繫統/15
第2章隱私、安全及機器學習/17
2.1面向隱私保護的機器學習/18
2.2面向隱私保護的機器學習與安全機器學習/18
2.3威脅與安全模型/19
2.3.1隱私威脅模型/19
2.3.2攻擊者和安全模型/21
2.4隱私保護技術/22
2.4.1安全多方計算/22
2.4.2同態加密/27
2.4.3差分隱私/30
第3章分布式機器學習/35
3.1分布式機器學習介紹/36
3.1.1分布式機器學習的定義/36
3.1.2分布式機器學習平臺/37
3.2面向擴展性的DML/39
3.2.1大規模機器學習/39
3.2.2面向擴展性的DML方法/40
3.3面向隱私保護的DML/43
3.3.1隱私保護決策樹/43
3.3.2隱私保護方法/45
3.3.3面向隱私保護的DML方案/45
3.4面向隱私保護的梯度下降方法/48
3.4.1樸素聯邦學習/49
3.4.2隱私保護方法/49
3.5挑戰與展望/51
第4章橫向聯邦學習/53
4.1橫向聯邦學習的定義/54
4.2橫向聯邦學習架構/55
4.2.1客戶-服務器架構/55
4.2.2對等網絡架構/58
4.2.3全局模型評估/59
4.3聯邦平均算法介紹/60
4.3.1聯邦優化/60
4.3.2聯邦平均算法/63
4.3.3安全的聯邦平均算法/65
4.4聯邦平均算法的改進/68
4.4.1通信效率提升/68
4.4.2參與方選擇/69
4.5相關工作/69
4.6挑戰與展望/71
第5章縱向聯邦學習/73
5.1縱向聯邦學習的定義/74
5.2縱向聯邦學習的架構/75
5.3縱向聯邦學習算法/77
5.3.1安全聯邦線性回歸/77
5.3.2安全聯邦提升樹/80
5.4挑戰與展望/85
第6章聯邦遷移學習/87
6.1異構聯邦學習/88
6.2聯邦遷移學習的分類與定義/88
6.3聯邦遷移學習框架/90
6.3.1加法同態加密/93
6.3.2聯邦遷移學習的訓練過程/94
6.3.3聯邦遷移學習的預測過程/95
6.3.4安全性分析/95
6.3.5基於秘密共享的聯邦遷移學習/96
6.4挑戰與展望/97
第7章聯邦學習激勵機制/99
7.1貢獻的收益/100
7.1.1收益分享博弈/100
7.1.2反向拍賣/102
7.2注重公平的收益分享框架/103
7.2.1建模貢獻/103
7.2.2建模代價/104
7.2.3建模期望損失/105
7.2.4建模時間期望損失/105
7.2.5策略協調/106
7.2.6計算收益評估比重/108
7.3挑戰與展望/109
第8章聯邦學習與計算機視覺、自然語言處理及推薦繫統/111
8.1聯邦學習與計算機視覺/112
8.1.1聯邦計算機視覺/112
8.1.2業內研究進展/114
8.1.3挑戰與展望/115
8.2聯邦學習與自然語言處理/116
8.2.1聯邦自然語言處理/116
8.2.2業界研究進展/118
8.2.3挑戰與展望/118
8.3聯邦學習與推薦繫統/119
8.3.1推薦模型/120
8.3.2聯邦推薦繫統/121
8.3.3業界研究進展/123
8.3.4挑戰與展望/12
第9章聯邦強化學習/125
9.1強化學習介紹/126
9.1.1策略/127
9.1.2獎勵/127
9.1.3價值函數/127
9.1.4環境模型/127
9.1.5強化學習應用舉例/127
9.2強化學習算法/128
9.3分布式強化學習/130
9.3.1異步分布式強化學習/130
9.3.2同步分布式強化學習/131
9.4聯邦強化學習/131
9.4.1聯邦強化學習背景/131
9.4.2橫向聯邦強化學習/132
9.4.3縱向聯邦強化學習/134
9.5挑戰與展望/136
第10章應用前景/139
10.1金融/140
10.2醫療/141
10.3教育/142
10.4城市計算和智慧城市/144
10.5邊緣計算和物聯網/146
10.6區塊鏈/147
10.7第五代移動網路/148
第11章總結與展望/149
附錄A數據保護法律和法規/151
A.1歐盟的數據保護法規/152
A.1.1GDPR中的術語/153
A.1.2GDPR重點條款/154
A.1.3GDPR的影響/156
A.2美國的數據保護法規/157
A.3中國的數據保護法規/158
參考文獻/161

如何在保證本地訓練數據不公開的前提下，實現多個數據擁有者協同訓練一個共享的機器學習模型？傳統的機器學習方法需要將所有的數據集中到一個地方（例如，數據中心），然後進行機器學習模型的訓練。但這種基於集中數據的做法無疑會嚴重侵害用戶隱私和數據安全。如今，世界上越來越多的人開始強烈要求科技公司必須根據用戶隱私法律法規妥善地處理用戶的數據，歐盟的《通用數據保護條例》是一個很好的例子。在《聯邦學習》中，我們將描述聯邦學習（亦稱聯邦機器學習）如何將分布式機器學習、密碼學、基於金融規則的激勵機制和博弈論結合起來，以解決分散數據的使用問題。我們會介紹不同種類的面向隱私保護的機器學習解決方案以及技術背景，並描述一些典型的實際問題解決案例。我們還會進一步論述聯邦學習將成為下一代機器學習的基礎，可以滿足技術和社會需求並促進面向安全的人工智能的開發和應用。
《聯邦學習》可供計算機科學、人工智能和機器學習等