聯邦學習：算法詳解與系統實現

前言
第一部分 聯邦學習基礎知識
第1章 聯邦學習概述
1.1 什麼是聯邦學習
1.2 聯邦學習的應用和挑戰
1.3 分佈式機器學習與聯邦學習
1.4 總結
第2章 聯邦學習應用場景
2.1 聯邦學習與金融
2.2 聯邦學習與生物醫學
2.3 聯邦學習與計算機視覺
2.4 聯邦學習與自然語言處理
2.5 聯邦學習與邊緣計算和雲計算
2.6 聯邦學習與計算機硬件
2.7 總結
第3章 常用隱私保護技術
3.1 面向隱私保護的機器學習
3.2 常用的隱私保護技術
3.3 總結
第二部分 聯邦學習算法詳述
第4章 縱向聯邦樹模型算法
4.1 樹模型簡介
4.2 縱向聯邦隨機森林算法
4.3 縱向聯邦梯度提升算法
4.4 總結
第5章 縱向聯邦線性回歸算法
5.1 縱向聯邦線性回歸
5.2 聯邦多視角線性回歸
5.3 總結
第6章 縱向聯邦核學習算法
6.1 引言
6.2 雙隨機核方法
6.3 所提算法
6.4 理論分析
6.5 實驗驗證
6.6 總結
第7章 異步縱向聯邦學習算法
7.1 引言
7.2 相關工作
7.3 問題表示
7.4 所提算法
7.5 理論分析
7.6 實驗驗證
7.7 總結
第8章 基於反向更新的雙層異步縱向聯邦學習算法
8.1 引言
8.2 問題表示
8.3 所提算法
8.4 理論分析
8.5 實驗驗證
8.6 總結
第9章 縱向聯邦深度學習算法
9.1 引言
9.2 所提算法
9.3 理論分析
9.4 實驗驗證
9.5 總結
第10章 快速安全的同態加密數據挖掘框架
10.1 引言
10.2 相關工作
10.3 同態加密數據挖掘框架
10.4 實驗驗證
10.5 總結
第11章 橫向聯邦學習算法
11.1 橫向聯邦學習簡介
11.2 常見的分佈式優化算法
11.3 同步橫向聯邦學習算法
11.4 異步橫向聯邦學習算法
11.5 快速通信的橫向聯邦學習算法
11.6 總結
第12章 混合聯邦學習算法
12.1 混合聯邦學習算法的場景需求
12.2 算法詳述
12.3 總結
第13章 聯邦強化學習
13.1 強化學習概述
13.2 強化學習算法簡介
13.3 分佈式和聯邦強化學習
13.4 總結
第三部分 聯邦學習系統
第14章 FedLearn聯邦學習系統
14.1 已開源聯邦學習系統及其痛點
14.2 FedLearn聯邦學習系統的優勢
14.3 FedLearn系統架構設計
14.4 FedLearn跨語言算法支持
14.5 高性能RPC開源框架gRPC
14.6 FedLearn系統服務和算法解耦
14.7 FedLearn部署與使用
14.8 總結
第15章 gRPC在FedLearn中的聯邦學習應用實例
15.1 應用實例一：縱向聯邦隨機森林學習算法
15.2 應用實例二：橫向聯邦學習場景
15.3 總結
第16章 落地場景中的性能優化實踐
16.1 FedLearn業務場景簡介
16.2 從0到1實踐聯邦學習算法優化
16.3 性能優化
16.4 工程服務性能優化
16.5 實時推理優化
16.6 總結
第17章 基於區塊鏈的聯邦學習
17.1 區塊鏈簡介
17.2 聯邦學習與區塊鏈的集成創新
17.3 基於區塊鏈的聯邦學習激勵算法
17.4 基於區塊鏈的聯邦學習系統實現
17.5 總結
參考文獻