联邦学习原理与算法

　　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6.3联邦学习安全攻击与防御
　　6.3.1联邦学习安全攻击目标与手段
　　6.3.2联邦学习安全防御
　　第7章联邦学习与计算机视觉
　　7.1图像分类
　　7.1.1传统图像分类算法
　　7.1.2基于深度学习的图像分类算法
　　7.1.3图像分类常用数据集
　　7.2目标检测
　　7.2.1目标检测模型的常用评价标准
　　7.2.2目标检测的常用算法
　　7.2.3目标检测的常用数据集
　　7.3图像分割
　　7.3.1图像分割分类
　　7.3.2图像分割数据集
　　7.3.3语义分割
　　7.3.4实例分割常用的算法
　　7.4联邦学习图像识别非独立同分布数据实验
　　7.4.1实验描述
　　7.4.2实验过程
　　7.4.3结果分析
　　第8章联邦学习与推荐系统
　　8.1推荐系统基本知识
　　8.1.1推荐系统数据
　　8.1.2推荐系统架构
　　8.1.3推荐系统数据集
　　8.2协同过滤算法
　　8.2.1协同过滤算法分类
　　8.2.2协同过滤算法评价指标8.3矩阵分解
　　8.3.1奇异值分解
　　8.3.2联邦矩阵分解算法
　　8.4神经协同过滤网络
　　8.4.1神经协同过滤系统框架
　　8.4.2神经协同过滤层设计
　　8.4.3神经协同过滤训练
　　8.4.4联邦神经协同过滤
　　第9章联邦学习与其他深度学习模式结合
　　9.1联邦多任务学习
　　9.1.1多任务学习基本原理
　　9.1.2联邦多任务学习算法
　　9.2联邦学习与半监督学习
　　9.2.1半监督学习的基本方法
　　9.2.2联邦学习与半监督学习结合
　　9.3联邦强化学习
　　9.3.1强化学习基本原理与分类
　　9.3.2联邦学习与强化学习结合
　　9.4联邦图学习
　　9.4.1图学习算法基础知识
　　9.4.2联邦图学习算法与挑战
　　第10章联邦学习应用前景
　　10.1联邦学习与医疗
　　10.1.1联邦医学图像处理
　　10.1.2联邦学习与电子医疗记录
　　10.1.3联邦学习与药物开发
　　10.2联邦学习与金融
　　10.2.1联邦学习与银行风控
　　10.2.2联邦学习与消费社交反欺诈10.2.3联邦学习与智慧营销
　　10.3联邦学习、边缘计算与物联网
　　10.3.1联邦学习与边缘计算
　　10.3.2联邦学习与物联网
　　10.3.3联邦学习与自动驾驶
　　10.4联邦学习与区块链
　　10.4.1区块链基本原理
　　10.4.2区块链分类
　　10.4.3区块链与联邦学习结合

　　耿佳辉，博士，欧盟玛丽居里项目研究员，研究的重点包括隐私保护计算、区块链、自然语言处理等。多篇文章在国际会议发表，在中国、德国、挪威的知名企业都有丰富的工作经验。牟永利，博士，致力于联邦学习、数据隐私和区块链应用等领域的研究，并参与多个德国的医疗数据基建项目，如MMI和NFDI4Health，拥有丰富的数据科学和人工智能研究背景。有多篇医学信息学、联邦学习、区块链技术国际论文发表经验。李青，博士，挪威斯塔万格大学。致力于机器学习鲁棒性、可解释性，机器学习中的常微分或偏微分方程的数值计算。容淳铭，挪威工程院院士、挪威斯塔万格大学计算机系终身教授、服务式计算研究创新中心主任。曾任IEEE国际云计算学术会议系列指导委员会主席，IEEE区块链专家委员会主席、（国际）云安全联盟（CSA）挪威分部副总理事长，中国科学院海外评审专家。

　　《联邦学习原理与算法》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。