联邦学习：原理与算法

附录C 共轭梯度法

附录B LDLT分解

附录A Cholesky分解

附录

10.4 本章小结

10.3 联邦学习的应用领域研究

10.2 联邦学习的安全和隐私研究

10.1 联邦学习的优化研究

第10章 联邦学习的研究趋势

9.5 本章小结

9.4 提升联邦学习服务质量的方法

9.3 联邦学习服务质量的理论体系

9.2 联邦学习服务质量的评估维度

9.1 联邦学习服务质量的定义

第9章 联邦学习的服务质量

8.4 本章小结

8.3 联邦学习安全防护技术

8.2 联邦学习隐私保护技术

8.1 问题描述与安全模型

第8章 联邦学习系统的隐私与安全

7.6 本章小结

7.5 矩阵分解算法

7.4 基于矩阵的协同过滤算法

7.3 基于近邻的协同过滤算法

7.2 因子分解机

7.1 K均值算法

第7章 联邦推荐算法

6.3 本章小结

6.2 XGBoost

6.1 决策树

第6章 联邦树模型

5.3 本章小结

5.2 支持向量机

5.1 朴素贝叶斯分类法

第5章 联邦分类算法

4.4 本章小结

4.3 逻辑回归

4.2 线性回归

4.1 联邦机器学习算法的定义

第4章 联邦回归算法

3.12 本章小结

3.11 联邦匹配平均算法

3.10 基于概率的联邦网络匹配算法Ⅱ：多隐层神经网络匹配算法

3.9 基于概率的联邦网络匹配算法Ⅰ：单隐层神经网络匹配算法

3.8 不可知联邦学习算法

3.7 联邦近端算法

3.6 自平衡联邦学习算法

3.5 基于损失的自适应提升联邦学习算法

3.4 差分隐私联邦平均算法

3.3 差分隐私联邦随机梯度下降算法

3.2 联邦平均算法

3.1 联邦随机梯度下降算法

第3章 中央服务器优化算法

2.5 本章小结

2.4 联邦学习的应用场景

2.3 联邦学习的基本类别与流程

2.2 联邦学习的发展历程

2.1 联邦学习的基本概念

第2章 联邦学习基础

1.4 本章小结

1.3 联邦学习的诞生

1.2 隐私保护浮出水面

1.1 人工智能的发展

第1章 绪论

前言

序言2

序言1

内容提要

版权页

封面

封面

版权页

内容提要

序言1

序言2

前言

第1章 绪论

1.1 人工智能的发展

1.2 隐私保护浮出水面

1.3 联邦学习的诞生

1.4 本章小结

第2章 联邦学习基础

2.1 联邦学习的基本概念

2.2 联邦学习的发展历程

2.3 联邦学习的基本类别与流程

2.4 联邦学习的应用场景

2.5 本章小结

第3章 中央服务器优化算法

3.1 联邦随机梯度下降算法

3.2 联邦平均算法

3.3 差分隐私联邦随机梯度下降算法

3.4 差分隐私联邦平均算法

3.5 基于损失的自适应提升联邦学习算法

3.6 自平衡联邦学习算法

3.7 联邦近端算法

3.8 不可知联邦学习算法

3.9 基于概率的联邦网络匹配算法Ⅰ：单隐层神经网络匹配算法

3.10 基于概率的联邦网络匹配算法Ⅱ：多隐层神经网络匹配算法

3.11 联邦匹配平均算法

3.12 本章小结

第4章 联邦回归算法

4.1 联邦机器学习算法的定义

4.2 线性回归

4.3 逻辑回归

4.4 本章小结

第5章 联邦分类算法

5.1 朴素贝叶斯分类法

5.2 支持向量机

5.3 本章小结

第6章 联邦树模型

6.1 决策树

6.2 XGBoost

6.3 本章小结

第7章 联邦推荐算法

7.1 K均值算法

7.2 因子分解机

7.3 基于近邻的协同过滤算法

7.4 基于矩阵的协同过滤算法

7.5 矩阵分解算法

7.6 本章小结

第8章 联邦学习系统的隐私与安全

8.1 问题描述与安全模型

8.2 联邦学习隐私保护技术

8.3 联邦学习安全防护技术

8.4 本章小结

第9章 联邦学习的服务质量

9.1 联邦学习服务质量的定义

9.2 联邦学习服务质量的评估维度

9.3 联邦学习服务质量的理论体系

9.4 提升联邦学习服务质量的方法

9.5 本章小结

第10章 联邦学习的研究趋势

10.1 联邦学习的优化研究

10.2 联邦学习的安全和隐私研究

10.3 联邦学习的应用领域研究

10.4 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