人工智慧再進化:聯邦學習讓資料更安全穩固
彭南博、王虎
買這商品的人也買了...
-
$520$406 -
$1,000$790 -
$541$509 -
$678聯邦學習實戰
-
$599$473 -
$403深入淺出聯邦學習:原理與實踐
-
$620$490 -
$880$695 -
$680$537 -
$1,000$850 -
$780$616 -
$730聯邦學習:原理與算法
-
$1,200$948 -
$880$695 -
$673隱私計算
-
$780$663 -
$620$490 -
$564聯邦學習:算法詳解與系統實現
-
$880$695 -
$620$465 -
$735現代決策樹模型及其編程實踐:從傳統決策樹到深度決策樹
-
$678遷移學習導論, 2/e
-
$359$341 -
$450$351 -
$654$621
相關主題
商品描述
內容簡介:
「聯邦學習」可以解決企業之間的資料孤島問題,讓企業能透過使用更多資料來提高AI模型的效果,提供給使用者更方便的個性化服務。在過程中,資料是安全的,使用者的隱私資訊不會被輸出和洩露。因此這項技術不會損害合作企業的利益,還能帶來額外的收益。對使用者而言,能享受個性化服務品質的提升,也不用擔心具體隱私資訊的傳播。
從技術層面來看,聯邦學習是密碼學、分散式運算、機器學習三個學科交換的技術,涉及面較廣且部署實施難度大,很多具體問題需要跨領域的綜合知識才能解決。在人才市場中,此類的綜合型人才十分缺乏,許多專案都面臨無人可用的困境。另一方面,越來越多人關注到聯邦學習新興技術,希望能有系統地掌握聯邦學習原理,並在產業應用中解決實際問題。
本書詳細說明聯邦學習的相關概念,同時列出許多案例,適合對聯邦學習感興趣的讀者閱讀。書中會在必要之處列出數學公式,閱讀時需具備統計學的基礎知識。
全書重點涵蓋:
●第1~3章:聯邦學習的基礎,可以了解聯邦學習的市場背景、技術現狀、基礎的隱私保護技術、機器學習技術和分散式運算技術。建議聯邦學習的初學者、求職者重點閱讀這部分,藉以熟悉聯邦學習的基本問題、基本技術。
●第4章:介紹聯邦交集計算的相關理論和具體方法,用於提供聯邦資料之間的對應關係。
●第5章:介紹聯邦特徵工程,列出大致流程、聯邦學習對這些流程的處理想法,引出聯邦學習特徵工程中常用的加密方法、資料互動策略及評估監控方法。
●第6~8章:分別介紹垂直聯邦學習、水平聯邦學習和聯邦遷移學習,並說明這三種方案的架構、方法和案例。垂直聯邦學習用於解決相同使用者在不同企業場景中,產生資料的聯合建模問題。
●第9~12章:聯邦學習的產業應用和展望,可以了解聯邦學習技術的商業應用現狀、挑戰、趨勢、與資料資產和要素市場的連結,據此引發讀者進一步思考。此部分較為巨觀,涉及面廣,適合聯邦學習相關的專案管理者重點閱讀。
本書適合:
●對聯邦學習感興趣的學術&研究人員。
●聯邦學習的初學者&求職者&專案管理者。
●機器學習、資料探勘、產業智慧化領域的從業者&求職者。
作者簡介
彭南博
京東科技集團風險管理中心總監,在人工智慧演算法、風控模型等領域具有豐富的實踐經驗。他負責風險智能模型技術佈局和徹底落實業務,建立了數據、演算法、工程三位一體的大數據應用體系。在聯邦學習應用實踐中,他領導團隊研發聯邦學習技術和產品,為風險業務建立了基於聯邦學習的模型工程架構、模型管理體系、模型監控體系。他於2012年在中國科學院大學獲得博士學位,先後參與三項國家基金項目,發表期刊和會議論文10餘篇,申請專利70餘項。
王虎
京東科技集團風險管理中心演算法科學家,在機器學習和資料探勘領域具有豐富的產業應用經驗。他負責風險場景的模型研發,針對風險數據孤島問題,視察並論證聯邦學習技術的可行性,完成了從0到1的聯邦風控應用創新,負責聯邦組網過程中的演算法研發和模型優化。他於2012年在中國科學院大學獲得博士學位,其後負責並完成了藥物副作用探勘、電力銷量預測、駕駛員狀態分析、基於穿戴式醫療設備的健康評估等機器學習項目。
目錄大綱
Chapter 01 聯邦學習的研究與發展現狀
1.1 聯邦學習的背景
1.2 巨量資料時代的挑戰:資料孤島
1.3 聯邦學習的定義和基本術語
1.4 聯邦學習的分類及適用範圍
1.5 典型的聯邦學習生命週期
1.6 聯邦學習的安全性與可靠性
1.7 參考閱讀
Chapter 02 多方計算與隱私保護
2.1 多方計算
2.2 基本假設與隱私保護技術
2.3 差分隱私
2.4 同態加密
2.5 安全多方計算
Chapter 03 傳統機器學習
3.1 統計機器學習的簡介
3.2 分散式機器學習的簡介
3.3 特徵工程
3.4 最佳化演算法
3.5 模型效果評估
Chapter 04 聯邦交集計算
4.1 聯邦交集計算介紹
4.2 聯邦交集計算在聯邦學習中的應用
Chapter 05 聯邦特徵工程
5.1 聯邦特徵工程概述
5.2 聯邦特徵最佳化
5.3 聯邦單變數分析
5.4 聯邦自動特徵工程
Chapter 06 垂直聯邦學習
6.1 基本假設及定義
6.2 垂直聯邦學習的架構
6.3 聯邦邏輯回歸
6.4 聯邦隨機森林
6.5 聯邦梯度提升樹
6.6 聯邦學習深度神經網路
6.7 垂直聯邦學習案例
Chapter 07 水平聯邦學習
7.1 基本假設與定義
7.2 水平聯邦網路架構
7.3 聯邦平均演算法概述
7.4 水平聯邦學習應用於輸入法
Chapter 08 聯邦遷移學習
8.1 基本假設與定義
8.2 聯邦遷移學習架構
8.3 聯邦遷移學習方法
8.4 聯邦遷移學習案例
Chapter 09 聯邦學習架構揭秘與最佳化實戰
9.1 常見的分散式機器學習架構介紹
9.2 聯邦學習開放原始碼框架介紹
9.3 訓練服務架構揭秘
9.4 推理架構揭秘
9.5 最佳化案例分析
Chapter 10 聯邦學習的產業案例
10.1 醫療健康
10.2 金融產品的廣告投放
10.3 金融風控
10.4 其他應用
Chapter 11 資料資產定價與激勵機制
11.1 資料資產的相關概念及特點
11.2 資料資產價值的評估與定價
11.3 激勵機制
Chapter 12 聯邦學習面臨的挑戰和可擴充性
12.1 聯邦學習面臨的挑戰
12.2 聯邦學習與區塊鏈結合
12.3 聯邦學習與其他技術結合
Appendix A 參考文獻