联邦学习原理与算法

封面

版权信息

作者简介

网络空间安全技术丛书专家委员会名单

出版说明

前言

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

2.1.1 PaddleFL框架结构

2.1.2 PaddleFL框架安装和部署

2.1.3 PaddleFL使用示例

2.2 Flower框架

2.2.1 Flower框架结构

2.2.2 Flower框架安装与部署

2.2.3 Flower使用示例

2.3 微众银行FATE框架

2.3.1 FATE的技术架构

2.3.2 FATE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

6.1.1 CIA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