第一部分 基础 2
第1章 联邦学习的前世今生 2
1.1 联邦学习的由来 2
1.2 联邦学习的发展历程 3
1.3 联邦学习的规范与标准 8
1.4 联邦学习的社区与生态 9
1.5 本章小结 10
第2章 全面认识联邦学习 11
2.1 什么是联邦学习 11
2.2 联邦学习的架构思想 12
2.3 联邦学习的应用场景 14
2.4 联邦学习的优势与前景 15
2.5 本章小结 16
第二部分 原理 18
第3章 联邦学习的工作原理 18
3.1 联邦学习的计算环境 18
3.1.1 可信执行环境 18
3.1.2 无可信计算环境 22
3.2 联邦学习的算法 23
3.2.1 中心联邦优化算法 24
3.2.2 联邦机器学习算法 25
3.2.3 联邦深度学习算法 28
3.3 联邦学习的算子 29
3.3.1 联邦学习数据预处理算子 30
3.3.2 联邦学习模型训练算子 34
3.4 本章小结 49
第4章 联邦学习的加密机制 50
4.1 联邦学习的安全问题 50
4.1.1 模型完整性问题 50
4.1.2 模型可用性问题 51
4.1.3 模型机密性问题 52
4.1.4 问题总结 53
4.2 联邦学习的加密方式 53
4.2.1 同态加密 53
4.2.2 差分隐私 55
4.2.3 安全多方计算 57
4.2.4 国密SM2算法 58
4.2.5 国密SM4算法 60
4.2.6 Deffie-Hellman算法 61
4.2.7 混合加密 61
4.3 本章小结 63
第5章 联邦学习的激励机制 64
5.1 数据贡献评估 65
5.2 数据贡献与激励支付的关系 66
5.3 参与方贡献效益评估 67
5.4 参与方贡献效益与激励支付的关系 68
5.5 计算和通信消耗评估 68
5.6 计算消耗、通信消耗和激励支付的关系 69
5.7 本章小结 70
第三部分 实战 72
第6章 联邦学习开发实践 72
6.1 联邦学习开源框架部署:PySyft 72
6.1.1 PySyft基本介绍 72
6.1.2 开发环境准备与搭建 72
6.1.3 PySyft安装指南 75
6.1.4 开发前的准备 76
6.1.5 PySyft测试样例 76
6.1.6 实操:分布式联邦学习部署 87
6.2 联邦学习开源框架部署:TFF 93
6.2.1 TFF基本介绍 93
6.2.2 开发环境准备与搭建 94
6.2.3 TFF安装指南 94
6.2.4 开发前的准备 95
6.2.5 TFF测试样例 95
6.3 联邦学习开源框架部署:CrypTen 100
6.3.1 CrypTen基本介绍 100
6.3.2 开发环境准备与搭建 100
6.3.3 CrypTen安装指南 101
6.3.4 开发前的准备 101
6.3.5 CrypTen测试样例 102
6.4 本章小结 111
第7章 联邦学习的行业解决方案 112
7.1 联邦学习+智慧金融 112
7.1.1 联邦学习+银行 112
7.1.2 联邦学习+保险 121
7.1.3 联邦学习+投资 125
7.2 联邦学习+智慧医疗 128
7.2.1 联邦学习+医疗影像诊断 128
7.2.2 联邦学习+疾病风险预测 130
7.2.3 联邦学习+药物挖掘 133
7.2.4 联邦学习+医护资源配置 135
7.3 联邦学习+智慧城市 137
7.3.1 联邦学习+零售 137
7.3.2 联邦学习+交通 140
7.3.3 联邦学习+物流 141
7.3.4 联邦学习+政府 143
7.3.5 联邦学习+安防 146
7.4 联邦学习+物联网 148
7.4.1 联邦学习+车联网 148
7.4.2 联邦学习+智能家居 150
7.4.3 联邦学习+可穿戴设备 153
7.4.4 联邦学习+机器人 155
7.5 本章小结 160
第四部分 拓展 162
第8章 联邦学习的延伸 162
8.1 联邦学习的布局 162
8.1.1 Google的联邦学习 162
8.1.2 Facebook的联邦学习 166
8.1.3 联邦智能 167
8.1.4 共享智能 169
8.1.5 知识联邦 172
8.1.6 异构联邦 177
8.1.7 联邦学习方案对比 178
8.2 联邦学习系统框架 179
8.2.1 工业级联邦学习系统 179
8.2.2 企业级联邦学习系统 181
8.2.3 实验开发级联邦学习系统 181
8.3 本章小结 183
第9章 联邦学习的挑战、趋势和展望 184
9.1 联邦学习应对的挑战 184
9.2 联邦学习的趋势和展望 187
9.3 本章小结 189