[正版] [全3本]联邦学习+联邦学习技术及实战+联邦学习实战 数据孤岛数据保护难题破解之法书籍 电子工业出版社

                                                    店铺公告

为保障消费者合理购买需求及公平交易机会，避免因非生活消费目的的购买货囤积商品，抬价转售等违法行为发生，店铺有权对异常订单不发货且不进行赔付。异常订单：包括但不限于相同用户ID批量下单，同一用户（指不同用户ID，存在相同/临近/虚构收货地址，或相同联系号码，收件人，同账户付款人等情形的）批量下单（一次性大于5本），以及其他非消费目的的交易订单。 温馨提示：请务必当着快递员面开箱验货，如发现破损，请立即拍照拒收，如验货有问题请及时联系在线客服处理，（如开箱验货时发现破损，所产生运费由我司承担，一经签收即为货物完好，如果您未开箱验货，一切损失就需要由买家承担，所以请买家一定要仔细验货）， 关于退货运费：对于下单后且物流已发货货品在途的状态下，原则上均不接受退货申请，如顾客原因退货需要承担来回运费，如因产品质量问题（非破损问题）可在签收后，联系在线客服。

内容提要

  如何在保证本地训练数据不公开的前提下，实现多个数据拥有者协同训练一个共享的机器学习模型？传统的机器学习方法需要将所有的数据集中到一个地方（例如，数据中心），然后进行机器学习模型的训练。但这种基于集中数据的做法无疑会严重侵害用户隐私和数据安全。如今，世界上越来越多的人开始强烈要求科技公司必须根据用户隐私法律法规妥善地处理用户的数据，欧盟的《通用数据保护条例》是一个很好的例子。在本书中，我们将描述联邦学习（亦称联邦机器学习）如何将分布式机器学习、密码学、基于金融规则的激励机制和博弈论结合起来，以解决分散数据的使用问题。我们会介绍不同种类的面向隐私保护的机器学习解决方案以及技术背景，并描述一些典型的实际问题解决案例。我们还会进一步论述联邦学习将成为下一代机器学习的基础，可以满足技术和社会需求并促进面向安全的人工智能的开发和应用。

  《联邦学习》可供计算机科学、人工智能和机器学习专业的学生，以及大数据和人工智能应用程序的开发人员阅读，也可供高等院校的教员、研究机构的研究人员、法律法规制定者和政府监管部门参考。

数据孤岛和隐私保护已经成为制约人工智能发展的关键因素。联邦学习作为一种新型的隐私保护计算方案，在数据不出本地的前提下，能有效联合各参与方联合建模，从而实现“共同富裕”，成为当下人工智能领域备受关注的热点。本书以实战为主（包括对应用案例的深入讲解和代码分析），兼顾对理论知识的系统总结。全书由五部分共19 章构成。**部分简要介绍了联邦学习的理论知识点；第二部分介绍如何使用Python 和FATE 进行简单的联邦学习建模；第三部分是联邦学习的案例分析，筛选了经典案例进行讲解，部分案例用Python 代码实现，部分案例采用FATE 实现；第四部分主要介绍和联邦学习相关的高级知识点，包括联邦学习的架构和训练的加速方法等；第五部分是回顾与展望。本书适合对联邦学习和隐私保护感兴趣的高校研究者、企业研发人员阅读。 

编辑推荐

在大数据时代，企业面临的问题不是真的没有数据可用，而是鉴于数据安全，出现了数据孤岛，无法应用数据。联邦学习是密码学、分布式计算和机器学习三个学科交叉的技术，可以很好地解决数据隐私和安全的问题。

《联邦学习技术及实战》由京东数科有多年联邦学习实战经验的二十多位作者合作编写，内容可分为联邦学习基础、具体的联邦学习算法、联邦学习的产业应用和展望三个大部分，并给出较多案例。

《联邦学习技术及实战》用300多页的篇幅详细地介绍了联邦学习的原理和应用。

内容提要

《联邦学习技术及实战》针对产业界在智能化过程中普遍面临的数据不足问题，详细地阐述了联邦学习如何帮助企业引入更多数据、提升机器学习模型效果。互联网数据一般分布在不同的位置，受隐私保护法规限制不能共享，形成了“数据孤岛”。联邦学习像“数据孤岛”之间的特殊桥梁，通过传输变换后的临时变量，既能实现模型效果提升，又能确保隐私信息的安全。

《联邦学习技术及实战》介绍了联邦学习技术的原理和实战经验，主要内容包括隐私保护、机器学习等基础知识，联邦求交、联邦特征工程算法，三种常见的联邦形式，以及工程架构、产业案例、数据资产定价等。

序言Ⅲ
前言Ⅳ
作者简介Ⅷ

第1 章 引言/1
1.1 人工智能面临的挑战/2
1.2 联邦学习概述/4
1.2.1 联邦学习的定义/5
1.2.2 联邦学习的分类/8
1.3 联邦学习的发展/11
1.3.1 联邦学习的研究/11
1.3.2 开源平台/13
1.3.3 联邦学习标准化进展/14
1.3.4 联邦人工智能生态系统/15

第2 章 隐私、安全及机器学习/17
2.1 面向隐私保护的机器学习/18
2.2 面向隐私保护的机器学习与安全机器学习/18
2.3 威胁与安全模型/19
2.3.1 隐私威胁模型/19
2.3.2 攻击者和安全模型/21
2.4 隐私保护技术/22
2.4.1 安全多方计算/22
2.4.2 同态加密/27
2.4.3 差分隐私/30

第3 章 分布式机器学习/35
3.1 分布式机器学习介绍/36
3.1.1 分布式机器学习的定义/36
3.1.2 分布式机器学习平台/37
3.2 面向扩展性的DML /39
3.2.1 大规模机器学习/39
3.2.2 面向扩展性的DML 方法/40
3.3 面向隐私保护的DML /43
3.3.1 隐私保护决策树/43
3.3.2 隐私保护方法/45
3.3.3 面向隐私保护的DML 方案/45
3.4 面向隐私保护的梯度下降方法/48
3.4.1 朴素联邦学习/49
3.4.2 隐私保护方法/49
3.5 挑战与展望/51

第4 章 横向联邦学习/53
4.1 横向联邦学习的定义/54
4.2 横向联邦学习架构/55
4.2.1 客户-服务器架构/55
4.2.2 对等网络架构/58
4.2.3 全局模型评估/59
4.3 联邦平均算法介绍/60
4.3.1 联邦优化/60
4.3.2 联邦平均算法/63
4.3.3 安全的联邦平均算法/65
4.4 联邦平均算法的改进/68
4.4.1 通信效率提升/68
4.4.2 参与方选择/69
4.5 相关工作/69
4.6 挑战与展望/71

第5 章 纵向联邦学习/73
5.1 纵向联邦学习的定义/74
5.2 纵向联邦学习的架构/75
5.3 纵向联邦学习算法/77
5.3.1 安全联邦线性回归/77
5.3.2 安全联邦提升树/80
5.4 挑战与展望/85

第6 章 联邦迁移学习/87
6.1 异构联邦学习/88
6.2 联邦迁移学习的分类与定义/88
6.3 联邦迁移学习框架/90
6.3.1 加法同态加密/93
6.3.2 联邦迁移学习的训练过程/94
6.3.3 联邦迁移学习的预测过程/95
6.3.4 安全性分析/95
6.3.5 基于秘密共享的联邦迁移学习/96
6.4 挑战与展望/97

第7 章 联邦学习激励机制/99
7.1 贡献的收益/100
7.1.1 收益分享博弈/100
7.1.2 反向拍卖/102
7.2 注重公平的收益分享框架/103
7.2.1 建模贡献/103
7.2.2 建模代价/104
7.2.3 建模期望损失/105
7.2.4 建模时间期望损失/105
7.2.5 策略协调/106
7.2.6 计算收益评估比重/108
7.3 挑战与展望/109

第8 章 联邦学习与计算机视觉、自然语言处理及推荐系统/111
8.1 联邦学习与计算机视觉/112
8.1.1 联邦计算机视觉/112
8.1.2 业内研究进展/114
8.1.3 挑战与展望/115
8.2 联邦学习与自然语言处理/116
8.2.1 联邦自然语言处理/116
8.2.2 业界研究进展/118
8.2.3 挑战与展望/118
8.3 联邦学习与推荐系统/119
8.3.1 推荐模型/120
8.3.2 联邦推荐系统/121
8.3.3 业界研究进展/123
8.3.4 挑战与展望/123

第9 章 联邦强化学习/125
9.1 强化学习介绍/126
9.1.1 策略/127
9.1.2 奖励/127
9.1.3 价值函数/127
9.1.4 环境模型/127
9.1.5 强化学习应用举例/127
9.2 强化学习算法/128
9.3 分布式强化学习/130
9.3.1 异步分布式强化学习/130
9.3.2 同步分布式强化学习/131
9.4 联邦强化学习/131
9.4.1 联邦强化学习背景/131
9.4.2 横向联邦强化学习/132
9.4.3 纵向联邦强化学习/134
9.5 挑战与展望/136

第10 章 应用前景/139
10.1 金融/140
10.2 医疗/141
10.3 教育/142
10.4 城市计算和智慧城市/144
10.5 边缘计算和物联网/146
10.6 区块链/147
10.7 第五代移动网路/148

第11 章 总结与展望/149

附录A 数据保护法律和法规/151
A.1 欧盟的数据保护法规/152
A.1.1 GDPR 中的术语/153
A.1.2 GDPR 重点条款/154
A.1.3 GDPR 的影响/156
A.2 美国的数据保护法规/157
A.3 中国的数据保护法规/158

参考文献/161**部分联邦学习基础
第1章 联邦学习概述/3
1.1 数据资产的重要性/4
1.2 联邦学习提出的背景/5
1.3 联邦学习的定义/7
1.4 联邦学习的分类/10
1.5 联邦学习算法现状/12
第2章 联邦学习的安全机制/15
2.1 基于同态加密的安全机制/16
2.1.1 同态加密的定义/16
2.1.2 同态加密的分类/18
2.2 基于差分隐私的安全机制/20
2.2.1 差分隐私的定义/20
2.2.2 差分隐私的实现机制/23
2.3 基于安全多方计算的安全机制/26
2.3.1 秘密共享/26
2.3.2 不经意传输/28
2.3.3 混淆电路/29
2.4 安全机制的性能效率对比/30
2.5 基于Python 的安全计算库/31
第二部分联邦学习快速入门
第3章 用Python 从零实现横向联邦图像分类/35
3.1 环境配置/36
3.2 PyTorch 基础/37
3.2.1 创建Tensor /37
3.2.2 Tensor 与Python 数据结构的转换/38
3.2.3 数据操作/39
3.2.4 自动求导/41
3.3 用Python 实现横向联邦图像分类/41
3.3.1 配置信息/41
3.3.2 训练数据集/42
3.3.3 服务端/43
3.3.4 客户端/45
3.3.5 整合/46
3.4 联邦训练的模型效果/47
3.4.1 联邦训练与集中式训练的效果对比/47
3.4.2 联邦模型与单点训练模型的对比/48
第4章 微众银行FATE 平台/51
4.1 FATE 平台架构概述/52
4.2 FATE 安装与部署/53
4.2.1 单机部署/53
4.2.2 集群部署/54
4.2.3 KubeFATE 部署/55
4.3 FATE 编程范式/55
4.4 FATE 应用案例/57
第5章 用FATE 从零实现横向逻辑回归/59
5.1 数据集的获取与描述/60
5.2 逻辑回归/60
5.3 横向数据集切分/61
5.4 横向联邦模型训练/62
5.4.1 数据输入/63
5.4.2 模型训练/65
5.4.3 模型评估/67
5.5 多参与方环境配置/71
第6章 用FATE 从零实现纵向线性回归/73
6.1 数据集的获取与描述/74
6.2 纵向数据集切分/74
6.3 纵向联邦训练/76
6.3.1 数据输入/76
6.3.2 样本对齐/78
6.3.3 模型训练/78
6.3.4 模型评估/81
第7章 联邦学习实战资源/85
7.1 FATE 帮助文档/86
7.2 本书配套的代码/86
7.3 其他联邦学习平台/86
7.3.1 TensorFlow-Federated /86
7.3.2 OpenMined PySyft /87
7.3.3 NVIDIA Clara 联邦学习平台/88
7.3.4 百度PaddleFL /89
7.3.5 腾讯AngelFL /90
7.3.6 同盾知识联邦平台/90
第三部分联邦学习案例实战详解
第8章 联邦学习在金融保险领域的应用案例/95
8.1 概述/96
8.2 基于纵向联邦学习的保险个性化定价案例/97
8.2.1 案例描述/97
8.2.2 保险个性化定价的纵向联邦建模/98
8.2.3 效果对比/102
8.3 基于横向联邦的银行间反洗钱模型案例/103
8.3.1 案例描述/103
8.3.2 反洗钱模型的横向联邦建模/104
8.3.3 效果对比/105
8.4 金融领域的联邦建模难点/106
8.4.1 数据不平衡/106
8.4.2 可解析性/107
第9章 联邦个性化推荐案例/109
9.1 传统的集中式个性化推荐/110
9.1.1 矩阵分解/110
9.1.2 因子分解机/112
9.2 联邦矩阵分解/114
9.2.1 算法详解/114
9.2.2 详细实现/116
9.3 联邦因子分解机/119
9.3.1 算法详解/119
9.3.2 详细实现/122
9.4 其他联邦推荐算法/126
9.5 联邦推荐云服务使用/127
第10章 联邦学习视觉案例/129
10.1 概述/130
10.2 案例描述/131
10.3 目标检测算法概述/131
10.3.1 边界框与锚框/132
10.3.2 交并比/133
10.3.3 基于候选区域的目标检测算法/133
10.3.4 单阶段目标检测/134
10.4 基于联邦学习的目标检测网络/136
10.4.1 动机/136
10.4.2 FedVision-联邦视觉产品/137
10.5 方法实现/138
10.5.1 Flask-SocketIO 基础/138
10.5.2 服务端设计/141
10.5.3 客户端设计/143
10.5.4 模型和数据集/145
10.5.5 性能分析/146
第11章 联邦学习在智能物联网中的应用案例/149
11.1 案例的背景与动机/150
11.2 历史数据分析/152
11.3 出行时间预测模型/153
11.3.1 问题定义/153
11.3.2 构造训练数据集/154
11.3.3 模型结构/155
11.4 联邦学习实现/156
11.4.1 服务端设计/157
11.4.2 客户端设计/158
11.4.3 性能分析/159
第12 章联邦学习医疗健康应用案例/161
12.1 医疗健康数据概述/162
12.2 联邦医疗大数据与脑卒中预测/164
12.2.1 脑卒中预测案例概述/164
12.2.2 联邦数据预处理/164
12.2.3 联邦学习脑卒中预测系统/165
12.3 联邦学习在医疗影像中的应用/169
12.3.1 肺结节案例描述/170
12.3.2 数据概述/170
12.3.3 模型设计/171
12.3.4 联邦学习的效果/173
第13章 联邦学习智能用工案例/175
13.1 智能用工简介/176
13.2 智能用工平台/176
13.2.1 智能用工的架构设计/176
13.2.2 智能用工的算法设计/177
13.3 利用横向联邦提升智能用工模型/180
13.4 设计联邦激励机制，提升联邦学**统的可持续性/180
13.4.1 FedGame 系统架构/181
13.4.2 FedGame 设计原理/182
13.5 系统设置/183
第14章 构建公平的大数据交易市场/185
14.1 大数据交易/187
14.1.1 数据交易的定义/187
14.1.2 数据确权/188
14.1.3 数据定价/189
14.2 基于联邦学习构建新一代大数据交易市场/189
14.3 联邦学习激励机制助力数据交易/190
14.4 联邦学习激励机制的问题描述/191
14.5 FedCoin 支付系统设计/192
14.5.1 PoSap 共识算法/193
14.5.2 支付方案/197
14.6 FedCoin 的安全分析/198
14.7 实例演示/199
14.7.1 演示系统的实现/199
14.7.2 效果展示/200
第15 章联邦学习攻防实战/203
15.1 后门攻击/204
15.1.1 问题定义/204
15.1.2 后门攻击策略/205
15.1.3 详细实现/207
15.2 差分隐私/210
15.2.1 集中式差分隐私/211
15.2.2 联邦差分隐私/213
15.2.3 详细实现/215
15.3 模型压缩/217
15.3.1 参数稀疏化/217
15.3.2 按层敏感度传输/219
15.4 同态加密/222
15.4.1 Paillier 半同态加密算法/222
15.4.2 加密损失函数计算/222
15.4.3 详细实现/224
第四部分联邦学习进阶
第16 章联邦学**统的通信机制/231
16.1 联邦学**统架构/232
16.1.1 客户–服务器架构/232
16.1.2 对等网络架构/233
16.1.3 环状架构/234
16.2 网络通信协议简介/235
16.3 基于socket 的通信机制/237
16.3.1 socket 介绍/237
16.3.2 基于Python 内置socket 库的实现/238
16.3.3 基于Python-SocketIO 的实现/239
16.3.4 基于Flask-SocketIO 的实现/241
16.4 基于RPC 的通信机制/241
16.4.1 RPC 介绍/241
16.4.2 基于gRPC 的实现/243
16.4.3 基于ICE 的实现/244
16.5 基于RMI 的通信机制/248
16.5.1 RMI 介绍/248
16.5.2 在Python 环境下使用RMI /249
16.6 基于MPI 的通信机制/249
16.6.1 MPI 简介/249
16.6.2 在Python 环境下使用MPI /249
16.7 本章小结/250
第17 章联邦学习加速方法/251
17.1 同步参数更新的加速方法/252
17.1.1 增加通信间隔/253
17.1.2 减少传输内容/254
17.1.3 非对称的推送和获取/256
17.1.4 计算和传输重叠/256
17.2 异步参数更新的加速方法/257
17.3 基于模型集成的加速方法/258
17.3.1 One-Shot 联邦学习/258
17.3.2 基于学习的联邦模型集成/260
17.4 硬件加速/261
17.4.1 使用GPU 加速计算/261
17.4.2 使用FPGA 加速计算/263
17.4.3 混合精度训练/264
第18章 联邦学习与其他前沿技术/267
18.1 联邦学习与Split Learning /268
18.1.1 Split Learning 设计模式/268
18.1.2 Split Learning 与联邦学习的异同/270
18.2 联邦学习与区块链/271
18.2.1 区块链技术原理/271
18.2.2 联邦学习与区块链的异同点/275
18.3 联邦学习与边缘计算/277
18.3.1 边缘计算综述/277
18.3.2 联邦学习与边缘计算的异同点/279
第五部分 回顾与展望
第19 章总结与展望/283
19.1 联邦学习进展总结/287
19.1.1 联邦学习标准建设/287
19.1.2 理论研究总结/288
19.1.3 落地应用进展总结/290
19.2 未来展望/292
19.2.1 联邦学习的可解析性/293
19.2.2 联邦学习的安全性/295
19.2.3 联邦学习的公平性激励机制/296
19.2.4 联邦学习的模型收敛性和性能效率/297
参考文献/299

目录

第1章 / 联邦学习的研究与发展现状 1

1.1  联邦学习的背景 1

1.2  大数据时代的挑战：数据孤岛 4

1.2.1 “数据孤岛”的成因 4

1.2.2  具体实例 5

1.2.3  数据互联的发展与困境 7

1.2.4  解决“数据孤岛”问题的难点与联邦学习的优势 10

1.3  联邦学习的定义和基本术语 11

1.3.1  联邦学习的定义 11

1.3.2  联邦学习的基本术语 13

1.4  联邦学习的分类及适用范围 15

1.4.1  纵向联邦学习 16

1.4.2  横向联邦学习 18

1.4.3  联邦迁移学习 19

1.5  典型的联邦学习生命周期 20

1.5.1  模型训练 21

1.5.2  在线推理 21

1.6  联邦学习的安全性与可靠性 22

1.6.1  安全多方计算 22

1.6.2  差分隐私 24

1.6.3  同态加密 25

1.6.4  应对攻击的健壮性 25

1.7  阅读材料 26

第2章 / 多方计算与隐私保护 28

2.1  多方计算 28

2.2  基本假设与隐私保护技术 29

2.2.1  安全模型 29

2.2.2  隐私保护的目标 30

2.2.3  三种隐私保护技术及其关系 32

2.3  差分隐私 34

2.3.1  差分隐私的基本概念 34

2.3.2  差分隐私的性质 40

2.3.3  差分隐私在联邦学习中的应用 41

2.4  同态加密 43

2.4.1  密码学简介 44

2.4.2  同态加密算法的优势 44

2.4.3  半同态加密算法 45

2.4.4  全同态加密算法 49

2.4.5  半同态加密算法在联邦学习中的应用 50

2.5  安全多方计算 51

2.5.1  百万富翁问题 52

2.5.2  安全多方计算中的密码协议 53

2.5.3  安全多方计算在联邦学习中的应用 61

第3章 / 传统机器学习 63

3.1  统计机器学习的简介 63

3.1.1  统计机器学习的概念 63

3.1.2  数据结构与术语 66

3.1.3  机器学习算法示例 67

3.2  分布式机器学习的简介 71

3.2.1  分布式机器学习的背景 71

3.2.2  分布式机器学习的并行模式 72

3.2.3  分布式机器学习对比联邦学习 75

3.3  特征工程 76

3.3.1  错误及缺失处理 76

3.3.2  数据类型 76

3.3.3  特征工程方法 77

3.4  *优化算法 80

3.4.1  *优化问题 80

3.4.2  解析方法 81

3.4.3  一阶优化算法 82

3.4.4  二阶优化算法 84

3.5  模型效果评估 85

3.5.1  效果评估方法 86

3.5.2  效果评估指标 87

第4章 / 联邦交集计算 91

4.1  联邦交集计算介绍 93

4.1.1  基于公钥加密体制的方法 93

4.1.2  基于混乱电路的方法 96

4.1.3  基于不经意传输协议的方法 97

4.1.4  其他方法 99

4.2  联邦交集计算在联邦学习中的应用 100

4.2.1  实体解析与纵向联邦学习 100

4.2.2  非对称纵向联邦学习 102

4.2.3  联邦特征匹配 106

第5章 / 联邦特征工程 107

5.1  联邦特征工程概述 107

5.1.1  联邦特征工程的特点 107

5.1.2  传统特征工程和联邦特征工程的对比 109

5.2  联邦特征优化 110

5.2.1  联邦特征评估 111

5.2.2  联邦特征处理 113

5.2.3  联邦特征降维 122

5.2.4  联邦特征组合 128

5.2.5  联邦特征嵌入 133

5.3  联邦单变量分析 137

5.3.1  联邦单变量基础分析 138

5.3.2  联邦WOE和IV计算 139

5.3.3  联邦PSI和CSI计算 143

5.3.4  联邦KS和LIFT计算 145

5.4  联邦自动特征工程 148

5.4.1  联邦超参数优化 149

5.4.2  联邦超频优化 152

5.4.3  联邦神经结构搜索 154

第6章 / 纵向联邦学习 156

6.1  基本假设及定义 156

6.2  纵向联邦学习的架构 157

6.3  联邦逻辑回归 159

6.4  联邦随机森林 166

6.5  联邦梯度提升树 172

6.5.1  XGBoost简介 172

6.5.2  SecureBoost简介 176

6.5.3  SecureBoost训练 176

6.5.4  SecureBoost推理 178

6.6  联邦学习深度神经网络 180

6.7  纵向联邦学习案例 184

第7章 / 横向联邦学习 186

7.1  基本假设与定义 186

7.2  横向联邦网络架构 187

7.2.1  中心化架构 187

7.2.2  去中心化架构 189

7.3  联邦平均算法概述 190

7.3.1  在横向联邦学习中优化问题的一些特点 190

7.3.2  联邦平均算法 191

7.3.3  安全的联邦平均算法 193

7.4  横向联邦学习应用于输入法 194

第8章 / 联邦迁移学习 198

8.1  基本假设与定义 198

8.1.1  迁移学习的现状 198

8.1.2  图像中级特征的迁移 201

8.1.3  从文本分类到图像分类的迁移 203

8.1.4  联邦迁移学习的提出 206

8.2  联邦迁移学习架构 206

8.3  联邦迁移学习方法 209

8.3.1  多项式近似 209

8.3.2  加法同态加密 210

8.3.3  ABY 210

8.3.4  SPDZ 211

8.3.5  基于加法同态加密进行安全训练和预测 212

8.3.6  基于ABY和SPDZ进行安全训练 215

8.3.7  性能分析 216

8.4  联邦迁移学习案例 217

8.4.1  应用场景 217

8.4.2  联邦迁移强化学习 218

8.4.3  迁移学习的补充阅读材料 224

第9章 / 联邦学习架构揭秘与优化实战 227

9.1  常见的分布式机器学习架构介绍 227

9.2  联邦学习开源框架介绍 235

9.2.1  TensorFlow Federated 235

9.2.2  FATE框架 238

9.2.3  其他开源框架 241

9.3  训练服务架构揭秘 242

9.4  推理架构揭秘 246

9.5  调优案例分析 250

9.5.1  特征工程调优 250

9.5.2  训练过程的通信过程调优 251

9.5.3  加密的密钥长度 253

9.5.4  隐私数据集求交集过程优化 254

9.5.5  服务器资源优化 254

9.5.6  推理服务优化 255

第10章 / 联邦学习的产业案例 256

10.1  医疗健康 256

10.1.1  患者死亡可能性预测 257

10.1.2  医疗保健 258

10.1.3  联邦学习在医疗领域中的其他应用 260

10.2  金融产品的广告投放 261

10.3  金融风控 263

10.3.1  数据方之间的联邦学习 264

10.3.2  数据方与金融机构之间的联邦学习 266

10.4  其他应用 269

10.4.1  联邦学习应用于推荐领域 269

10.4.2  联邦学习与无人机 271

10.4.3  联邦学习与新型冠状病毒肺炎监测 273

第11章 / 数据资产定价与激励机制 274

11.1  数据资产的相关概念及特点 274

11.1.1  大数据时代背景 274

11.1.2  数据资产的定义 275

11.1.3  数据资产的特点 277

11.1.4  数据市场 279

11.2  数据资产价值的评估与定价 281

11.2.1  数据资产价值的主要影响因素 281

11.2.2  数据资产价值的评估方案 286

11.2.3  数据资产的定价方案 289

11.3  激励机制 290

11.3.1  贡献度量化方案 291

11.3.2  收益分配方案 292

11.3.3  数据资产定价与激励机制的关系 293

第12章 / 联邦学习面临的挑战和可扩展性 295

12.1  联邦学习面临的挑战 295

12.1.1  通信与数据压缩 296

12.1.2  保护用户隐私数据 296

12.1.3  联邦学习优化 298

12.1.4  模型的鲁棒性 299

12.1.5  联邦学习的公平性 301

12.2  联邦学习与区块链结合 302

12.2.1  **技术 302

12.2.2  可信媒介 303

12.2.3  对比异同 304

12.2.4  强强联合 306

12.3  联邦学习与其他技术结合 307

参考资料 309