聯(lián)邦學習原理與應用（全彩）

定　價：￥109.00

作　者：	向小佳等著
出版社：	電子工業(yè)出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

ISBN：	9787121423017	出版時間：	2022-01-01	包裝：	平裝
開本：	16開	頁數(shù)：	312	字數(shù)：

內(nèi)容簡介

　　《聯(lián)邦學習原理與應用》既是關(guān)于聯(lián)邦學習技術(shù)和實踐方法的介紹，又是關(guān)于聯(lián)邦學習在業(yè)界，特別是金融科技行業(yè)應用實踐的案例展示。第1章介紹聯(lián)邦學習的發(fā)展背景和歷程，以及金融業(yè)中數(shù)據(jù)共享的機遇和挑戰(zhàn)。第2章~第5章介紹不同類型的機器學習方法在聯(lián)邦學習模式下的實現(xiàn)，以及關(guān)鍵算法原理。第6章介紹聯(lián)邦學習開源框架FATE的架構(gòu)和部署，以及在金融控股集團內(nèi)大數(shù)據(jù)平臺上建立跨機構(gòu)統(tǒng)一數(shù)據(jù)科學平臺的實施方案。第7章從建模者的角度展示了典型建模流程的實戰(zhàn)過程。第8章和第9章結(jié)合金融相關(guān)行業(yè)的實踐，以多個應用案例和解決方案的形式，介紹聯(lián)邦學習在營銷運營和風險管理等不同業(yè)務方向上不同層次的應用實踐。第10章從人工智能的不同方向介紹聯(lián)邦學習應用擴展及前景。附錄介紹了聯(lián)邦學習框架中相關(guān)的密碼學工具。《聯(lián)邦學習原理與應用》適合隱私保護計算研究者（特別是聯(lián)邦學習技術(shù)的研究者）、大數(shù)據(jù)和人工智能方向的開發(fā)者及大數(shù)據(jù)相關(guān)的應用人員閱讀參考。《聯(lián)邦學習原理與應用》為希望使用大數(shù)據(jù)技術(shù)和從事數(shù)據(jù)分析挖掘的業(yè)界人員提供了新的思路和視角。

作者簡介

　　向小佳，光大科技有限公司副總經(jīng)理。光大科技有限公司植根于金融科技領域，于2018年就開始探索數(shù)據(jù)的加密共享。在國內(nèi)金控領域，他于2018年第一個發(fā)起聯(lián)邦學習應用研究，并將其在風控、營銷方面落地，建設了自主可控的聯(lián)邦學習平臺。他曾任中國科學院副研究員和碩士生導師、哥倫比亞大學訪問學者、華為架構(gòu)師。他在云計算、大數(shù)據(jù)、機器學習領域具有豐富的學術(shù)與產(chǎn)業(yè)應用經(jīng)驗。他于2010年獲得清華大學博士學位，曾參與多個“863”“973”項目，主持國家自然科學基金項目一項，發(fā)表期刊和會議論文20余篇。李琨，光大科技有限公司追光實驗室負責人，擁有國內(nèi)外多個行業(yè)數(shù)據(jù)挖掘建模和算法創(chuàng)新領域的多年實踐經(jīng)驗，現(xiàn)在致力于金控集團數(shù)據(jù)協(xié)同和數(shù)據(jù)挖掘方向的解決方案實現(xiàn)與算法創(chuàng)新。他于2011年獲得北京大學計算數(shù)學博士學位，發(fā)表算法相關(guān)的期刊和會議論文10余篇。王鵬，光大科技有限公司大數(shù)據(jù)研究團隊負責人。他現(xiàn)在負責金控集團聯(lián)邦學習生態(tài)系統(tǒng)的建設和技術(shù)創(chuàng)新，參與了多個隱私計算行業(yè)標準制定，是聯(lián)邦學習開源項目FATE專家技術(shù)指導委員會成員。他擁有10余年的大數(shù)據(jù)、人工智能系統(tǒng)設計經(jīng)驗，并在金控集團應用領域中實現(xiàn)了技術(shù)創(chuàng)新，其創(chuàng)新成果獲得了多項行業(yè)獎項。鄭方蘭，光大科技有限公司追光實驗室技術(shù)專家，在多個業(yè)務場景中有豐富的數(shù)據(jù)挖掘經(jīng)驗，現(xiàn)主要致力于開發(fā)算法模塊解決實際業(yè)務問題和算法創(chuàng)新。他于2012年獲得博士學位，在國際主流的學術(shù)會議和期刊上發(fā)表論文10余篇。田江，工學博士，光大科技有限公司大數(shù)據(jù)部負責人，在大數(shù)據(jù)、人工智能領域擁有豐富的理論研究及實踐經(jīng)驗，發(fā)表國內(nèi)外期刊和會議論文30余篇，參與起草國家標準《數(shù)據(jù)管理能力成熟度評估模型》并受聘為評估專家，同時多次獲得中國人民銀行信息科技課題研究獎項。

圖書目錄

第1章 / 聯(lián)邦學習與金融科技應用介紹
1.1 聯(lián)邦學習的發(fā)展背景和歷程
1.2 金融數(shù)據(jù)價值挖掘的聯(lián)邦學習實踐
第2章 / 聯(lián)邦學習算法之建模準備
2.1 聯(lián)邦學習的分類
2.2 樣本對齊的實現(xiàn)方式
2.2.1 基于哈希函數(shù)的普通對齊方式
2.2.2 基于非對稱加密算法的隱私保護對齊方式
2.3 特征工程的聯(lián)邦學習實現(xiàn)方式
2.3.1 特征工程簡介
2.3.2 聯(lián)邦特征工程
第3章 / 聯(lián)邦學習算法之模型實現(xiàn)
3.1 線性模型的聯(lián)邦學習實現(xiàn)方式
3.1.1 橫向聯(lián)邦學習中的線性模型
3.1.2 縱向聯(lián)邦學習中的線性模型
3.2 極端梯度提升樹的聯(lián)邦學習實現(xiàn)方式
3.2.1 XGBoost算法介紹
3.2.2 SecureBoost算法介紹
3.3 深度學習類算法的聯(lián)邦學習實現(xiàn)方式
3.3.1 深度學習的基本概念
3.3.2 常用的深度學習算法介紹
3.3.3 聯(lián)邦深度學習算法介紹
第4章 / 基于聯(lián)邦學習的推薦系統(tǒng)
4.1 信息推薦與推薦系統(tǒng)
4.2 矩陣分解和因子分解機的實現(xiàn)方式
4.2.1 基于隱語義模型的推薦算法
4.2.2 矩陣分解算法
4.2.3 因子分解機模型
4.3 聯(lián)邦推薦系統(tǒng)算法
4.3.1 聯(lián)邦推薦算法的隱私保護
4.3.2 聯(lián)邦推薦系統(tǒng)的分類
4.3.3 橫向聯(lián)邦推薦系統(tǒng)
4.3.4 縱向聯(lián)邦推薦系統(tǒng)
第5章 / 聯(lián)邦學習應用之數(shù)據(jù)要素價值
5.1 聯(lián)邦學習貢獻度
5.1.1 背景介紹
5.1.2 基于缺失法的貢獻度計算
5.1.3 基于Shapley值的貢獻度計算
5.2 基于聯(lián)邦學習的數(shù)據(jù)要素交易
5.2.1 數(shù)據(jù)要素交易的背景與現(xiàn)狀
5.2.2 基于聯(lián)邦學習的交易機制構(gòu)建
第6章 / 聯(lián)邦學習平臺搭建實踐
6.1 聯(lián)邦學習開源框架介紹
6.2 FATE架構(gòu)與核心功能
6.3 金融控股集團聯(lián)邦學習平臺簡介
6.4 FATE集群部署實踐
6.4.1 All-in-one方式部署FATE集群
6.4.2 Docker-Compose方式部署FATE集群
6.4.3 在Kubernetes上部署FATE集群
6.4.4 FATE集群部署驗證
6.4.5 FATE集群配置管理及注意事項
6.5 與異構(gòu)平臺對接
6.5.1 與大數(shù)據(jù)平臺對接
6.5.2 與區(qū)塊鏈平臺對接
6.5.3 多參與方自動統(tǒng)計任務
第7章 / 聯(lián)邦學習平臺實踐之建模實戰(zhàn)
7.1 橫向聯(lián)邦學習場景
7.1.1 建模問題與環(huán)境準備
7.1.2 橫向聯(lián)邦學習建模實踐過程
7.2 縱向聯(lián)邦學習場景
7.2.1 建模問題與環(huán)境準備
7.2.2 縱向聯(lián)邦學習建模實踐過程
第8章 / 跨機構(gòu)聯(lián)邦學習運營應用案例
8.1 跨機構(gòu)數(shù)據(jù)統(tǒng)計
8.2 在交叉營銷場景中的聯(lián)邦學習實踐
8.2.1 聯(lián)邦學習在交叉營銷場景中的應用
8.2.2 信用卡交叉營銷的聯(lián)邦學習案例
8.3 聯(lián)邦規(guī)則抽取算法及其在反欺詐與營銷場景中的應用
8.3.1 基于F-score的聯(lián)邦集成樹模型和其對應的業(yè)務背景
8.3.2 損失函數(shù)、剪枝和自動化規(guī)則抽取
8.3.3 縱向和橫向Fed-FEARE
8.3.4 橫向Fed-FEARE應用于金融反欺詐
8.3.5 縱向Fed-FEARE應用于精準營銷
第9章 / 跨機構(gòu)聯(lián)邦學習風控應用案例
9.1 聯(lián)邦學習下的評分卡建模實踐
9.1.1 背景需求介紹
9.1.2 聯(lián)邦學習框架下的評分卡建模
9.1.3 聯(lián)邦學習框架下的評分卡模型優(yōu)化
9.1.4 應用案例
9.2 對企業(yè)客戶評估的聯(lián)邦學習和區(qū)塊鏈聯(lián)合解決方案
9.2.1 金融控股集團內(nèi)對企業(yè)客戶評估的應用背景
9.2.2 聯(lián)邦解決方案的內(nèi)容
9.2.3 券商對公客戶的評級開發(fā)
9.3 在保險核保場景中銀行保險數(shù)據(jù)聯(lián)邦學習實踐
9.3.1 保險核保
9.3.2 智能核保
9.3.3 聯(lián)邦學習與智能核保
第10章 / 聯(lián)邦學習應用擴展
10.1 基于聯(lián)邦學習的計算機視覺應用
10.1.1 聯(lián)邦計算機視覺簡述
10.1.2 研究現(xiàn)狀與應用展望
10.2 聯(lián)邦學習在自然語言處理領域的應用
10.2.1 聯(lián)邦自然語言處理技術(shù)進展
10.2.2 聯(lián)邦自然語言處理應用
10.2.3 挑戰(zhàn)與展望
10.3 聯(lián)邦學習在大健康領域中的應用
10.3.1 聯(lián)邦學習的大健康應用發(fā)展歷程
10.3.2 挑戰(zhàn)與顧慮
10.4 聯(lián)邦學習在物聯(lián)網(wǎng)中的應用
10.4.1 物聯(lián)網(wǎng)與邊緣計算
10.4.2 人工智能物聯(lián)網(wǎng)
10.4.3 研究現(xiàn)狀與挑戰(zhàn)
附錄1 RSA公鑰加密算法
附錄2 Paillier半同態(tài)加密算法
附錄3 安全多方計算的SPDZ協(xié)議
參考文獻