聯邦學習原理與算法
耿佳輝等編著
- 出版商: 機械工業
- 出版日期: 2023-05-01
- 售價: $654
- 貴賓價: 9.5 折 $621
- 語言: 簡體中文
- 頁數: 232
- 裝訂: 平裝
- ISBN: 711172853X
- ISBN-13: 9787111728535
立即出貨 (庫存 < 3)
買這商品的人也買了...
-
$454無線傳感器網絡原理 (Principles of wireless sensor networks)
-
$301特徵工程入門與實踐 (Feature Engineering Made Easy)
-
$650$553 -
$311對抗機器學習:機器學習系統中的攻擊和防禦
-
$750$593 -
$380$323 -
$594$564 -
$480$379 -
$541$509 -
$678聯邦學習實戰
-
$403深入淺出聯邦學習:原理與實踐
-
$658$619 -
$880$748 -
$730聯邦學習:原理與算法
-
$556$523 -
$673隱私計算
-
$780$616 -
$564聯邦學習:算法詳解與系統實現
-
$507聯邦學習原理與PySyft實戰
-
$398邊緣計算理論與系統實踐:基於CNCF KubeEdge的實現
-
$510機密計算:AI 數據安全和隱私保護
-
$290數據安全與隱私計算
-
$455Web安全與攻防實戰從新手到高手(微課超值版)
-
$894$849 -
$880$695
商品描述
本書全面闡述了網絡靶場與攻防演練的基礎理論、重要技術與實施要點,梳理了網絡靶場的演進脈絡與發展趨勢,
總結了網絡靶場的常見類型與應用模式,圍繞實現主流靶場所需要的關鍵技術地圖、
系統平台、核心能力、建設路徑、運營模式,結合具體案例,進行了深入淺出的分析講解與詳細指導。
為了使讀者能更具體地把握網絡靶場的實際功能,本書以網絡靶場運作的核心業務——攻防演練為主線,
以點帶面,從活動策劃到組織實施,從平台構建與風險管控,從指揮調度到成果應用,提供較為系統全面的操作說明。
全書在內容編排上,也是充分考慮到既能讓讀者多了解網絡靶場與攻防演練的背景知識,
也能按圖索驥,便捷地定位到自己感興趣的部分進行閱讀,暢遊網絡空間的實戰前沿,
盡快在與自己相關的網絡安全工作裡把網絡靶場與攻防演練應用起來。
目錄大綱
第1章聯邦學習與機器學習基礎
1.1聯邦學習概述
1.1.1聯邦學習的背景與發展
1.1.2聯邦學習的定義與分類
1.1.3聯邦學習的相關法規與社區
1.1.4展望與總結
1.2聯邦學習挑戰
1.2.1性能挑戰
1.2.2效率挑戰
1.2.3隱私與安全挑戰
1.3機器學習基礎
1.3.1機器學習定義與分類
1.3.2機器學習流程
1.3.3常見的機器學習算法
1.4深度學習基礎與框架
1.4.1深度學習基本原理
1.4.2常見的神經網絡類型
1.4.3常見的深度學習框架
第2章聯邦學習框架
2.1百度PaddleFL框架2.1.1PaddleFL框架結構
2.1.2PaddleFL框架安裝和部署
2.1.3PaddleFL使用示例
2.2Flower框架
2.2.1Flower框架結構
2.2.2Flower框架安裝與部署
2.2.3Flower使用示例
2.3微眾銀行FATE框架
2.3.1FATE的技術架構
2.3.2FATE安裝與部署
2.4聯邦學習框架對比
第3章聯邦學習系統架構
3.1橫向聯邦學習
3.1.1橫向聯邦學習定義
3.1.2橫向聯邦學習算法
3.1.3安全聚合算法
3.2縱向聯邦學習
3.2.1縱向聯邦學習算法概述
3.2.2縱向聯邦邏輯回歸算法
3.3分割學習
3.3.1分割學習基本原理
3.3.2分割學習設置與應用場景
第4章聯邦學習建模難點與解決方案
4.1數據統計異質性
4.1.1非獨立同分佈影響與收斂性分析
4.1.2非同質性數據分類與構建
4.1.3聯邦學習非獨立同分佈策略
4.2個性化聯邦學習
4.2.1個性化聯邦學習的動機和概念4.2.2全□模型個性化策略
4.2.3個性化本地模型
4.3聯邦學習通信與加速算法
4.3.1模型壓縮算法
4.3.2異步與並行優化
4.3.3硬件加速
第5章聯邦學習與隱私保護
5.1差分隱私
5.1.1差分隱私定義
5.1.2差分隱私與機器學習
5.1.3差分隱私在聯邦學習中的應用
5.1.4開源項目與工具
5.2安全多方計算
5.2.1百萬富翁問題
5.2.2不經意傳輸
5.2.3混淆電路
5.2.4秘密分享
5.2.5安全多方計算在聯邦學習中的應用
5.3同態加密
5.3.1同態加密定義與分類
5.3.2部分同態加密方案
5.4可信執行環境
第6章聯邦學習系統安全與防禦算法
6.1聯邦學習安全性分析
6.1.1CIA原則: 私密性、完整性與可用性
6.1.2敵手模型
6.2聯邦學習隱私攻擊與防禦
6.2.1成員推斷攻擊與防禦
6.2.2重構攻擊與防禦6.3聯邦學習安全攻擊與防禦
6.3.1聯邦學習安全攻擊目標與手段
6.3.2聯邦學習安全防禦
第7章聯邦學習與計算機視覺
7.1圖像分類
7.1.1傳統圖像分類算法
7.1.2基於深度學習的圖像分類算法
7.1.3圖像分類常用數據集
7.2目標檢測
7.2.1目標檢測模型的常用評價標準
7.2.2目標檢測的常用算法
7.2.3目標檢測的常用數據集
7.3圖像分割
7.3.1圖像分割分類
7.3.2圖像分割數據集
7.3.3語義分割
7.3.4實例分割常用的算法
7.4聯邦學習圖像識別非獨立同分佈數據實驗
7.4.1實驗描述
7.4.2實驗過程
7.4.3結果分析
第8章聯邦學習與推薦系統
8.1推薦系統基本知識
8.1.1推薦系統數據
8.1.2推薦系統架構
8.1.3推薦系統數據集
8.2協同過濾算法
8.2.1協同過濾算法分類
8.2.2協同過濾算法評價指標8.3矩陣分解
8.3.1奇異值分解
8.3.2聯邦矩陣分解算法
8.4神經協同過濾網絡
8.4.1神經協同過濾系統框架
8.4.2神經協同過濾層設計
8.4.3神經協同過濾訓練
8.4.4聯邦神經協同過濾
第9章聯邦學習與其他深度學習模式結合
9.1聯邦多任務學習
9.1.1多任務學習基本原理
9.1.2聯邦多任務學習算法
9.2聯邦學習與半監督學習
9.2.1半監督學習的基本方法
9.2.2聯邦學習與半監督學習結合
9.3聯邦強化學習
9.3.1強化學習基本原理與分類
9.3.2聯邦學習與強化學習結合
9.4聯邦圖學習
9.4.1圖學習算法基礎知識
9.4.2聯邦圖學習算法與挑戰
第10章聯邦學習應用前景
10.1聯邦學習與醫療
10.1.1聯邦醫學圖像處理
10.1.2聯邦學習與電子醫療記錄
10.1.3聯邦學習與藥物開發
10.2聯邦學習與金融
10.2.1聯邦學習與銀行風控
10.2.2聯邦學習與消費社交反欺詐10.2.3聯邦學習與智慧營銷
10.3聯邦學習、邊緣計算與物聯網
10.3.1聯邦學習與邊緣計算
10.3.2聯邦學習與物聯網
10.3.3聯邦學習與自動駕駛
10.4聯邦學習與區塊鏈
10.4.1區塊鏈基本原理
10.4.2區塊鏈分類
10.4.3區塊鏈與聯邦學習結合