返回首页
苏宁会员
购物车 0
易付宝
手机苏宁

服务体验

店铺评分与同行业相比

用户评价:----

物流时效:----

售后服务:----

  • 服务承诺: 正品保障
  • 公司名称:
  • 所 在 地:

  • 正版 联邦学习:算法详解与系统实现:algorithms and systems 薄列
  • 新华书店旗下自营,正版全新
    • 作者: 薄列峰,[美]黄恒,顾松庠 等著 | 薄列峰,[美]黄恒,顾松庠 等编 | 薄列峰,[美]黄恒,顾松庠 等译 | 薄列峰,[美]黄恒,顾松庠 等绘
    • 出版社: 机械工业出版社
    • 出版时间:2021-08
    送至
  • 由""直接销售和发货,并提供售后服务
  • 加入购物车 购买电子书
    服务

    看了又看

    商品预定流程:

    查看大图
    /
    ×

    苏宁商家

    商家:
    美阅书店
    联系:
    • 商品

    • 服务

    • 物流

    搜索店内商品

    商品参数
    • 作者: 薄列峰,[美]黄恒,顾松庠 等著| 薄列峰,[美]黄恒,顾松庠 等编| 薄列峰,[美]黄恒,顾松庠 等译| 薄列峰,[美]黄恒,顾松庠 等绘
    • 出版社:机械工业出版社
    • 出版时间:2021-08
    • 版次:1
    • 印次:1
    • 字数:478
    • 页数:342
    • 开本:16开
    • ISBN:9787111703495
    • 版权提供:机械工业出版社
    • 作者:薄列峰,[美]黄恒,顾松庠 等
    • 著:薄列峰,[美]黄恒,顾松庠 等
    • 装帧:平装
    • 印次:1
    • 定价:99.00
    • ISBN:9787111703495
    • 出版社:机械工业出版社
    • 开本:16开
    • 印刷时间:暂无
    • 语种:暂无
    • 出版时间:2021-08
    • 页数:342
    • 外部编号:11566716
    • 版次:1
    • 成品尺寸:暂无

    前言

    第一部分 联邦学习基础知识

    第1章 联邦学习概述

    1.1 什么是联邦学习

    1.1.1 联邦学习的发展历史

    1.1.2 联邦学习的工作流程

    1.1.3 联邦学习的分类

    1.2 联邦学习的应用和挑战

    1.2.1 联邦学习的应用现状

    1.2.2 联邦学习的核心挑战

    1.3 分布式机器学习与联邦学习

    1.3.1 分布式机器学习的发展历史

    1.3.2 分布式机器学习概述

    1.3.3 分布式机器学习与联邦学习的共同发展

    1.4 总结

    第2章 联邦学习应用场景

    2.1 联邦学习与金融

    2.2 联邦学习与生物医学

    2.3 联邦学习与计算机视觉

    2.4 联邦学习与自然语言处理

    2.5 联邦学习与边缘计算和云计算

    2.6 联邦学习与计算机硬件

    2.7 总结

    第3章 常用隐私保护技术

    3.1 面向隐私保护的机器学习

    3.1.1 概述

    3.1.2 面向隐私保护的机器学习发展

    3.2 常用的隐私保护技术

    3.2.1 差分隐私

    3.2.2 安全多方计算

    3.2.3 同态加密

    3.3 总结

    第二部分 联邦学习算法详述

    第4章 纵向联邦树模型算法

    4.1 树模型简介

    4.2 纵向联邦随机森林算法

    4.2.1 算法结构

    4.2.2 算法详述

    4.2.3 安全性分析

    4.3 纵向联邦梯度提升算法

    4.3.1 XGBoost算法

    4.3.2 SecureBoost算法

    4.3.3 所提算法详述

    4.4 总结

    第5章 纵向联邦线性回归算法

    5.1 纵向联邦线性回归

    5.1.1 算法训练过程

    5.1.2 算法预测过程

    5.1.3 纵向联邦的一个困境

    5.2 联邦多视角线性回归

    5.2.1 基于BFGS的二阶优化方法

    5.2.2 安全计算协议

    5.3 总结

    第6章 纵向联邦核学习算法

    6.1 引言

    6.2 双随机核方法

    6.2.1 问题定义

    6.2.2 核方法的简要介绍

    6.2.3 随机傅里叶特征近似

    6.2.4 双随机梯度

    6.3 所提算法

    6.3.1 问题表示

    6.3.2 算法结构

    6.3.3 算法设计

    6.3.4 场景案例

    6.4 理论分析

    6.4.1 收敛性分析

    6.4.2 安全性分析

    6.4.3 复杂度分析

    6.5 实验验证

    6.5.1 实验设置

    6.5.2 实验结果和讨论

    6.6 总结

    第7章 异步纵向联邦学习算法

    7.1 引言

    7.2 相关工作

    7.2.1 现有工作概述

    7.2.2 SGD类算法回顾

    7.3 问题表示

    7.4 所提算法

    7.4.1 算法框架

    7.4.2 算法详述

    7.4.3 场景案例

    7.5 理论分析

    7.5.1 收敛性分析

    7.5.2 安全性分析

    7.5.3 复杂度分析

    7.6 实验验证

    7.6.1 实验设置

    7.6.2 实验结果和讨论

    7.7 总结

    第8章 基于反向更新的双层异步纵向联邦学习算法

    8.1 引言

    8.2 问题表示

    8.3 所提算法

    8.3.1 算法框架

    8.3.2 算法详述

    8.3.3 场景案例

    8.4 理论分析

    8.4.1 收敛性分析——强凸问题

    8.4.2 收敛性分析——非凸问题

    8.4.3 安全性分析

    8.5 实验验证

    8.5.1 实验设置

    8.5.2 实验结果和讨论

    8.6 总结

    第9章 纵向联邦深度学习算法

    9.1 引言

    9.2 所提算法

    9.2.1 算法框架

    9.2.2 算法详述

    9.2.3 场景案例

    9.3 理论分析

    9.3.1 复杂度分析

    9.3.2 安全性分析

    9.4 实验验证

    9.4.1 实验设置

    9.4.2 实验结果和讨论

    9.5 总结

    第10章 快速安全的同态加密数据挖掘框架

    10.1 引言

    10.2 相关工作

    10.3 同态加密数据挖掘框架

    10.3.1 算法框架

    10.3.2 算法详述

    10.4 实验验证

    10.4.1 分布式学习场景

    10.4.2 联邦学习场景

    10.5 总结

    第11章 横向联邦学习算法

    11.1 横向联邦学习简介

    11.2 常见的分布式优化算法

    11.2.1 同步并行算法

    11.2.2 异步并行算法

    11.3 同步横向联邦学习算法

    11.4 异步横向联邦学习算法

    11.5 快速通信的横向联邦学习算法

    11.6 总结

    第12章 混合联邦学习算法

    12.1 混合联邦学习算法的场景需求

    12.2 算法详述

    12.2.1 梯度更新

    12.2.2 混合节点分裂

    12.2.3 模型保存和混合推理

    12.3 总结

    第13章 联邦强化学习

    13.1 强化学习概述

    13.1.1 马尔可夫性

    13.1.2 不同类别的策略

    13.1.3 期望收益

    13.1.4 学习策略的不同部分和设置

    13.2 强化学习算法简介

    13.2.1 基于价值的RL

    13.2.2 基于策略的RL

    13.2.3 基于模型的RL

    薄列峰,京东科技集团副总裁、硅谷研发部负责人。曾担任包括NeurIPS、CVPR、ICCV、ECCV、AAAI、SDM等在内的多个很好人工智能会议程序委员会委员。在靠前很好会议和期刊上合计发表论文80余篇,论文被引用10186次,H指数44。其博士学位论文荣获国内百篇很好博士论文奖,RGB-D物体识别论文荣获机器人领域学术会议ICRA很好计算机视觉论文奖。

    全书共分为三个部分,从概念、应用场景到具体的优选算法,再到最后的系统实现,对联邦学习技术进行全盘梳理与总结。 第一部分为联邦学习基础知识,主要介绍和分享联邦学习的定义、挑战、应用场景和主要技术,包括联邦学习概述、应用场景和常用隐私保护技术。 第二部分为联邦学习算法详述,主要介绍京东科技针对纵向联邦学习和横向联邦学习场景提出来的诸多创新性联邦学习算法,包括纵向联邦树模型算法、纵向联邦线性回归算法、纵向联邦核学习算法、异步纵向联邦学习算法、基于反向更新的双层异步纵向联邦学习算法、纵向联邦深度学习算法、快速安全的同态加密数据挖掘框架、横向联邦学习算法、混合联邦学习算法和联邦强化学习。 第三部分为联邦学习系统,主要介绍京东科技设计的联邦学习系统及算法落地的性能优化技术,包括FedLearn联邦学习系统详述、gRPC在FedLearn中的联邦学习应用实例、落地场景中的性能优化实践和基于区块链的联邦学习。

    作者都是扎根于联邦学习前沿的研究者和从业者。 本书提出了众多不同于其他书籍的全新联邦学习算法,以飨读者。 作者参考了近年全新的文章和综述,紧跟学术和业界的联邦学习动态。

    售后保障

    最近浏览

    猜你喜欢

    该商品在当前城市正在进行 促销

    注:参加抢购将不再享受其他优惠活动

    x
    您已成功将商品加入收藏夹

    查看我的收藏夹

    确定

    非常抱歉,您前期未参加预订活动,
    无法支付尾款哦!

    关闭

    抱歉,您暂无任性付资格

    此时为正式期SUPER会员专享抢购期,普通会员暂不可抢购