书名：联邦学习:原理与算法  
定*：128.0  
ISBN：9787**5575326  
作者：*健宗等  
版次：第1版  
出版时间：202*-**  

内容提要：  
数据孤岛问题已经成为制约人工智能发展的主要阻碍。在此背景下, 联邦学习(Federated Learning) 作为*种新兴的机器学习技术范式, 凭借其突出的隐私*护能力,展示出在诸多业务场景中的应用*值。 本书从联邦学习的基础知识出发, 深入浅出地介绍了中央服务器*化和联邦机器学习的算法体系, 详细阐述了联邦学习中涉及的加密通信模块的相关知识, 以定性和定量的双视角建立了联邦学习服务质量的评估维度、理论体系, 还延伸介绍了提*联邦学习服务质量的方法, 并对联邦学习的研究趋势进行了深入探讨与分析, 可以对设计和选择算法提供工具式的参考和帮助。 本书是*校、科研院所和业界相关*研究联邦学习技术的理想读本, 也适合大数据、人工智能行业的从业者和感兴趣的读者参考。  



作者简介：  
*健宗 博士，美*佛罗里达大学人工智能博士后，工程师，某大型金融集团科技公司联邦学习团队负责人，中*计算机学会杰出会员、大数据和量子计算*业委员会委员，长期从事联邦学习、隐私计算技术研发和平台搭建工作，在联邦学习、人工智能、云计算、大数据等*域发表*际论文 50 余篇，出版《深入理解 AutoML 和 AutoDL)、《金融智能》等共四*作品。 李泽远 某大型金融集团科技公司 Al 产品经理，CCF YOCSEF 深圳 AC 委员，长期负责 Al平台的标准 化产品设计，参与完成多项隐私计算产品在金融、医疗、政务场景中的交付落地，拥有丰富的实战经验。累计发表科研论文及申报*利数十篇/项，出版作品3*。 何安珣 某头*互联网公司产品经理。在金融科技*域深耕多年，在隐私计算*域生态建设、技术研究和架构搭建等方面拥有丰富的经验，*力于推动隐私计算行业数字经济转型。累计发表科研论文、申报*利数十篇/ 项，参与业内多项标准制定。 *伟 中*科学院信息工程研究所信息**家重点实验室助理研究员，信息*博士，主要研究方向为密码技术。在*际学术会议上发表论文多篇，获得数项*家发明*利授权，承担和参与了多项*家和省*级科研项目。  

目录：  
第 * 章 绪论 / / *  
*.* 人工智能的发展 / / *  
*.*. * 人工智能的定义 / / *  
*. *. 2 人工智能的发展历史及现状 / / 2  
*. *. 3 机器学习与数据 / / 3  
*.2 隐私*护浮出水面 / / 4  
*.2. * 隐私*护问题 / / 5  
*. 2. 2 隐私*护的攻击 / / 5  
*. 2. 3 常见的隐私*护技术 / / 7  
*.3 联邦学习的诞生 / / 8  
*.3. * 联邦学习的提出 / / 8  
*. 3. 2 联邦学习的范式 / / 9  
*.3. 3 联邦学习的应用 / / *2  
*. 4 本章小结 / / *3  
第 2 章 联邦学习基础 / / *5  
2.* 联邦学习的基本概念 / / *5  
2. 2 联邦学习的发展历程 / / *7  
2. 3 联邦学习的基本类别与流程 / / *8  
2. 3. * 横向联邦学习 / / *8  
2. 3. 2 纵向联邦学习 / / *9  
2. 3. 3 联邦迁移学习 / / *9  
2. 3. 4 联邦强化学习 / / 20  
2.4 联邦学习的应用场景 / / 2*  
2. 5 本章小结 / / 2*  
第 3 章 中央服务器*化算法 / / 23  
3.* 联邦随机梯度下降算法 / / 23  
3. *. * 算法框架及参数 / / 23  
3. *. 2 目标函数 / / 24  
3. *. 3 算法流程 / / 25  
3. 2 联邦平均算法 / / 25  
3. 2. * 算法框架及参数 / / 26  
3. 2. 2 目标函数 / / 27  
3. 2. 3 算法流程 / / 27  
3. 3 差分隐私联邦随机梯度下降算法 / / 28  
3. 3. * 算法框架及参数 / / 28  
3. 3. 2 相关函数说明 / / 29  
3. 3. 3 算法流程 / / 30  
3. 4 差分隐私联邦平均算法 / / 3*  
3. 4. * 算法框架及参数 / / 3*  
3. 4. 2 算法流程 / / 32  
3. 5 基于损失的自适应提*联邦学习算法 / / 33  
3. 5. * 算法框架及参数 / / 34  
3. 5. 2 算法流程 / / 35  
3. 6 自平衡联邦学习算法 / / 36  
3. 6. * 算法框架及参数 / / 36  
3. 6. 2 算法流程 / / 37  
3. 7 联邦近端算法 / / 39  
3. 7. * 算法框架及参数 / / 40  
3. 7. 2 模块介绍 / / 4*  
3. 7. 3 算法流程 / / 42  
3. 8 *可知联邦学习算法 / / 43  
3. 9 基于概率的联邦网络匹配算法Ⅰ: 单隐层*经网络匹配算法 / / 50  
3. 9. * 算法框架及参数 / / 50  
3. 9. 2 模块介绍 / / 53  
3. 9. 3 算法流程 / / 56  
3. *0 基于概率的联邦网络匹配算法Ⅱ: 多隐层*经网络匹配算法 / / 57  
3. *0. * 算法框架及参数 / / 57  
3. *0. 2 模块介绍 / / 59  
3. *0. 3 算法流程 / / 63  
3.** 联邦匹配平均算法 / / 64  
3. **. * 算法框架及参数 / / 64  
3. **. 2 目标函数 / / 65  
3. **. 3 算法流程 / / 66  
3. *2 本章小结 / / 67  
第 4 章 联邦回归算法 / / 69  
4.* 联邦机器学习算法的定义 / / 69  
4. *. * 水平型分布数据 / / 70  
4.*. 2 垂直型分布数据 / / 70  
4. 2 线性回归 / / 70  
4. 2. * 横向线性回归 / / 7*  
4. 2. 2 纵向线性回归 / / 74  
4. 3 逻辑回归 / / 80  
4. 3. * 横向逻辑回归 / / 8*  
4. 3. 2 纵向逻辑回归 / / 88  
4. 4 本章小结 / / 96  
第 5 章 联邦分类算法 / / 97  
5.* 朴素贝叶斯分类法 / / 97  
5. *. * 贝叶斯定理 / / 97  
5. *. 2 朴素贝叶斯分类的思想和工作过程 / / 97  
5. *. 3 横向朴素贝叶斯分类 / / 98  
5.*. 4 纵向朴素贝叶斯分类 / / *02  
5. 2 支持向量机 / / *07  
5. 2. * 横向支持向量机 / / *09  
5. 2. 2 纵向支持向量机 / / **6  
5. 3 本章小结 / / *24  
第 6 章 联邦树模型 / / *25  
6. * 决策树 / / *25  
6. *. * 横向决策树 / / *26  
6. *. 2 纵向决策树 / / *3*  
6.2 XGBoost / / *38  
6. 2. * 参数及含义 / / *39  
6. 2. 2 加法同态 / / *40  
6.2. 3 SecureBoost 算法的流程 / / *40  
6. 3 本章小结 / / *43  
第 7 章 联邦推荐算法 / / *45  
7. * K 均值算法 / / *45  
7.*. * 横向K 均值聚类算法 / / *46  
7. *. 2 纵向K 均值聚类算法 / / *49  
7. *. 3 任意数据 K 均值聚类算法 / / *58  
7. *. 4 *两方 K 均值聚类算法 / / *62  
7. 2 因子分解机 / / *66  
7.3 基于近邻的协同过滤算法 / / *7*  
7. 3. * 基于近邻的传统协同过滤算法 / / *7*  
7. 3. 2 基于用户的联邦协同过滤算法 / / *73  
7. 4 基于矩阵的协同过滤算法 / / *78  
7. 4. * 基于矩阵的传统协同过滤算法 / / *78  
7. 4. 2 基于矩阵的联邦协同过滤算法 / / *78  
7. 5 矩阵分解算法 / / *86  
7. 5. * 基于 SGD 的联邦矩阵分解算法 / / *86  
7. 5. 2 基于多视图的联邦矩阵分解算法 / / *90  
7. 5. 3 兴趣点推荐算法 / / *95  
7. 5. 4 基于差分隐私的联邦矩阵分解算法 / / *97  
7. 5. 5 基于混淆电路的联邦矩阵分解算法 / / 200  
7. 5. 6 基于相似度的联邦矩阵分解算法 / / 205  
7. 5. 7 基于因子分析的联邦矩阵分解算法 / / 209  
7.5. 8 基于深度学习的联邦矩阵分解算法 / / 2**  
7. 6 本章小结 / / 2*3  
第 8 章 联邦学习系统的隐私与* / / 2*5  
8.* 问题描述与*模型 / / 2*5  
8. 2 联邦学习隐私*护技术 / / 2*6  
8. 2. * 秘密共享 / / 2*6  
8. 2. 2 *经意传输 / / 2*8  
8. 2. 3 混淆电路 / / 220  
8. 2. 4 同态加密 / / 222  
8. 2. 5 差分隐私 / / 224  
8.3 联邦学习**护技术 / / 226  
8. 3. * 密码算法 / / 226  
8. 3. 2 身份认证 / / 229  
8. 3. 3 通信* / / 23*  
8. 3. 4 存储* / / 233  
8. 3. 5 可信计算 / / 235  
8. 4 本章小结 / / 237  
第 9 章 联邦学习的服务质量 / / 239  
9.* 联邦学习服务质量的定义 / / 239  
9. *. * 联邦学习服务质量的由来 / / 239  
9. *. 2 什么是联邦学习服务质量评估 / / 24*  
9. 2 联邦学习服务质量的评估维度 / / 242  
9. 2. * 模型性能 / / 242  
9. 2. 2 数据传输效率 / / 243  
9. 2. 3 网络性能 / / 243  
9. 2. 4 计算资源  
9. 2. 5 联邦建模的鲁棒性  
9. 3 联邦学习服务质量的理论体系  
9. 3. * 模型性能的评*指标  
9. 3. 2 联邦学习的通信指标  
9. 3. 3 资源调度代*  
9. 3. 4 联邦建模的鲁棒性  
9. 3. 5 隐私*护技术的选取  
9. 3. 6 权值更新方法  
9. 4 提*联邦学习服务质量的方法  
9. 4. * 联邦学习的算法*化  
9. 4. 2 联邦学习的通信*化  
9. 4. 3 联邦学习的末位淘汰  
9. 4. 4 增强联邦学习系统的鲁棒性  
9.5 本章小结  
第 *0 章 联邦学习的研究趋势  
*0.* 联邦学习的*化研究  
*0. 2 联邦学习的*和隐私研究  
*0. 3 联邦学习的应用*域研究  
*0. 4 本章小结  

附录  
附录 A Cholesky 分解  
附录 B LDLT 分解  
附录 C 共轭梯度法  
参考文献