《联邦学习技术及实战》读书笔记思维导图PPT模板下载

《联邦学习技术及实战》最新版读书笔记，下载可以直接修改思维导图PPT模板联邦学习隐私特征数据机器算法资产训练方法工程模型案例架构迁移加密问题保护技术本书关键字分析思维导图01内容简介第1章联邦学习的研究与发展现状第3章传统机器学习推荐序第2章多方计算与隐私保护第4章联邦交集计算目录030502040607第5章联邦特征工程第7章横向联邦学习第9章联邦学习架构揭秘与优化实战第6章纵向联邦学习第8章联邦迁移学习第10章联邦学习的产业案例目录0901108010012013第11章数据资产定价与激励机制参考文献第12章联邦学习面临的挑战和可扩展性目录015014内容摘要本书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。本书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。内容简介推荐序第1章联邦学习的研究与发展现状1.1联邦学习的背景1.2大数据时代的挑战：数据孤岛1.3联邦学习的定义和基本术语1.4联邦学习的分类及适用范围第1章联邦学习的研究与发展现状1.5典型的联邦学习生命周期1.7阅读材料1.6联邦学习的安全性与可靠性第1章联邦学习的研究与发展现状1.2.1“数据孤岛”的成因1.2.2具体实例1.2.3数据互联的发展与困境1.2.4解决“数据孤岛”问题的难点与...1.2大数据时代的挑战：数据孤岛1.3.2联邦学习的基本术语1.3.1联邦学习的定义1.3联邦学习的定义和基本术语1.4.1纵向联邦学习1.4.3联邦迁移学习1.4.2横向联邦学习1.4联邦学习的分类及适用范围1.5.2在线推理1.5.1模型训练1.5典型的联邦学习生命周期1.6.1安全多方计算1.6.2差分隐私1.6.3同态加密1.6.4应对攻击的健壮性1.6联邦学习的安全性与可靠性第2章多方计算与隐私保护2.1多方计算2.2基本假设与隐私保护技术2.3差分隐私2.4同态加密2.5安全多方计算12345第2章多方计算与隐私保护2.2.1安全模型2.2.3三种隐私保护技术及其关系2.2.2隐私保护的目标2.2基本假设与隐私保护技术2.3.1差分隐私的基本概念2.3.3差分隐私在联邦学习中的应用2.3.2差分隐私的性质2.3差分隐私2.4.1密码学简介2.4.2同态加密算法的优势2.4.3半同态加密算法2.4.4全同态加密算法2.4.5半同态加密算法在联邦学习中的...123452.4同态加密2.5.1百万富翁问题2.5.3安全多方计算在联邦学习中的应...2.5.2安全多方计算中的密码协议2.5安全多方计算第3章传统机器学习3.1统计机器学习的简介3.2分布式机器学习的简介3.3特征工程3.4最优化算法3.5模型效果评估12345第3章传统机器学习3.1.1统计机器学习的概念3.1.3机器学习算法示例3.1.2数据结构与术语3.1统计机器学习的简介3.2.1分布式机器学习的背景3.2.3分布式机器学习对比联邦学习3.2.2分布式机器学习的并行模式3.2分布式机器学习的简介3.3.1错误及缺失处理3.3.3特征工程方法3.3.2数据类型3.3特征工程3.4.1最优化问题3.4.2解析方法3.4.3一阶优化算法3.4.4二阶优化算法3.4最优化算法3.5.2效果评估指标3.5.1效果评估方法3.5模型效果评估第4章联邦交集计算4.2联邦交集计算在联邦学习中的应用4.1联邦交集计算介绍第4章联邦交集计算4.1.1基于公钥加密体制的方法4.1.2基于混乱电路的方法4.1.3基于不经意传输协议的方法4.1.4其他方法4.1联邦交集计算介绍4.2.1实体解析与纵向联邦学习4.2.3联邦特征匹配4.2.2非对称纵向联邦学习4.2联邦交集计算在联邦学习中的应用第5章联邦特征工程5.1联邦特征工程概述5.2联邦特征优化5.3联邦单变量分析5.4联邦自动特征工程第5章联邦特征工程5.1.2传统特征工程和联邦特征工程的...5.1.1联邦特征工程的特点5.1联邦特征工程概述5.2.1联邦特征评估5.2.2联邦特征处理5.2.3联邦特征降维5.2.4联邦特征组合5.2.5联邦特征嵌入123455.2联邦特征优化5.3.1联邦单变量基础分析5.3.2联邦WOE和IV计算5.3.3联邦PSI和CSI计算5.3.4联邦KS和LIFT计算5.3联邦单变量分析5.4.1联邦超参数优化5.4.3联邦神经结构搜索5.4.2联邦超频优化5.4联邦自动特征工程第6章纵向联邦学习6.1基本假设及定义6.2纵向联邦学习的架构6.3联邦逻辑回归6.4联邦随机森林第6章纵向联邦学习6.5联邦梯度提升树6.7纵向联邦学习案例6.6联邦学习深度神经网络第6章纵向联邦学习6.5.1XGBoost简介6.5.2SecureBoost简介6.5.3SecureBoost训练6.5.4SecureBoost推理6.5联邦梯度提升树第7章横向联邦学习7.1基本假设与定义7.2横向联邦网络架构7.3联邦平均算法概述7.4横向联邦学习应用于输入法第7章横向联邦学习7.2.2去中心化架构7.2.1中心化架构7.2横向联邦网络架构7.3.1在横向联邦学习中优化问题的一...7.3.3安全的联邦平均算法7.3.2联邦平均算法7.3联邦平均算法概述第8章联邦迁移学习8.1基本假设与定义8.2联邦迁移学习架构8.3联邦迁移学习方法8.4联邦迁移学习案例第8章联邦迁移学习8.1.1迁移学习的现状8.1.2图像中级特征的迁移8.1.3从文本分类到图像分类的迁移8.1.4联邦迁移学习的提出8.1基本假设与定义8.3.1多项式近似8.3.2加法同态加密8.3.3ABY8.3.4SPDZ8.3联邦迁移学习方法8.3.5基于加法同态加密进行安全训练...8.3.7性能分析8.3.6基于ABY和SPDZ进行安全...8.3联邦迁移学习方法8.4.1应用场景8.4.3迁移学习的补充阅读材料8.4.2联邦迁移强化学习8.4联邦迁移学习案例第9章联邦学习架构揭秘与优化实战9.1常见的分布式机器学习架构介绍9.2联邦学习开源框架介绍9.3训练服务架构揭秘9.4推理架构揭秘9.5调优案例分析12345第9章联邦学习架构揭秘与优化实战9.2.1TensorFlowFed...9.2.3其他开源框架9.2.2FATE框架9.2联邦学习开源框架介绍9.5.1特征工程调优9.5.2训练过程的通信过程调优9.5.3加密的密钥长度9.5.4隐私数据集求交集过程优化9.5.5服务器资源优化9.5.6推理服务优化0103020405069.5调优案例分析第10章联邦学习的产业案例10.1医疗健康10.2金融产品的广告投放10.3金融风控10.4其他应用第10章联邦学习的产业案例10.1.1患者死亡可能性预测10.1.3联邦学习在医疗领域中的其他...10.1.2医疗保健10.1医疗健康10.3.2数据方与金融机构之间的联邦...10.3.1数据方之间的联邦学习10.3金融风控10.4.1联邦学习应用于推荐领域10.4.3联邦学习与新型冠状病毒肺炎...10.4.2联邦学习与无人机10.4其他应用第11章数据资产定价与激励机制11.1数据资产的相关概念及特点11.3激励机制11.2数据资产价值的评估与定价第11章数据资产定价与激励机制11.1.1大数据时代背景11.1.2数据资产的定义11.1.3数据资产的特点11.1.4数据市场11.1数据资产的相关概念及特点11.2.1数据资产价值的主要影响因素11.2.3数据资产的定价方案11.2.2数据资产价值的评估方案11.2数据资产价值的评估与定价11.3.1贡献度量化方案11.3.3数据资产定价与激励机制的关...11.3.2收益分配方案11.3激励机制第12章联邦学习面临的挑战和可扩展性12.1联邦学习面临的挑战12.3联邦学习与其他技术结合12.2联