序言Ⅲ__eol__前言Ⅳ__eol__作者简介Ⅷ__eol____eol__第1 章 引言/1__eol__1.1 人工智能面临的挑战/2__eol__1.2 联邦学习概述/4__eol__1.2.1 联邦学习的定义/5__eol__1.2.2 联邦学习的分类/8__eol__1.3 联邦学习的发展/11__eol__1.3.1 联邦学习的研究/11__eol__1.3.2 开源平台/13__eol__1.3.3 联邦学习标准化进展/14__eol__1.3.4 联邦人工智能生态系统/15__eol____eol__第2 章 隐私、安全及机器学习/17__eol__2.1 面向隐私保护的机器学习/18__eol__2.2 面向隐私保护的机器学习与安全机器学习/18__eol__2.3 威胁与安全模型/19__eol__2.3.1 隐私威胁模型/19__eol__2.3.2 攻击者和安全模型/21__eol__2.4 隐私保护技术/22__eol__2.4.1 安全多方计算/22__eol__2.4.2 同态加密/27__eol__2.4.3 差分隐私/30__eol__ __eol__第3 章 分布式机器学习/35__eol__3.1 分布式机器学习介绍/36__eol__3.1.1 分布式机器学习的定义/36__eol__3.1.2 分布式机器学习平台/37__eol__3.2 面向扩展性的DML /39__eol__3.2.1 大规模机器学习/39__eol__3.2.2 面向扩展性的DML 方法/40__eol__3.3 面向隐私保护的DML /43__eol__3.3.1 隐私保护决策树/43__eol__3.3.2 隐私保护方法/45__eol__3.3.3 面向隐私保护的DML 方案/45__eol__3.4 面向隐私保护的梯度下降方法/48__eol__3.4.1 朴素联邦学习/49__eol__3.4.2 隐私保护方法/49__eol__3.5 挑战与展望/51__eol____eol__第4 章 横向联邦学习/53__eol__4.1 横向联邦学习的定义/54__eol__4.2 横向联邦学习架构/55__eol__4.2.1 客户-服务器架构/55__eol__4.2.2 对等网络架构/58__eol__4.2.3 全局模型评估/59__eol__4.3 联邦平均算法介绍/60__eol__4.3.1 联邦优化/60__eol__4.3.2 联邦平均算法/63__eol__4.3.3 安全的联邦平均算法/65__eol__4.4 联邦平均算法的改进/68__eol__4.4.1 通信效率提升/68__eol__4.4.2 参与方选择/69__eol__4.5 相关工作/69__eol__4.6 挑战与展望/71__eol____eol__第5 章 纵向联邦学习/73__eol__5.1 纵向联邦学习的定义/74__eol__5.2 纵向联邦学习的架构/75__eol__5.3 纵向联邦学习算法/77__eol__5.3.1 安全联邦线性回归/77__eol__5.3.2 安全联邦提升树/80__eol__5.4 挑战与展望/85__eol____eol__第6 章 联邦迁移学习/87__eol__6.1 异构联邦学习/88__eol__6.2 联邦迁移学习的分类与定义/88__eol__6.3 联邦迁移学习框架/90__eol__6.3.1 加法同态加密/93__eol__6.3.2 联邦迁移学习的训练过程/94__eol__6.3.3 联邦迁移学习的预测过程/95__eol__6.3.4 安全性分析/95__eol__6.3.5 基于秘密共享的联邦迁移学习/96__eol__6.4 挑战与展望/97__eol____eol__第7 章 联邦学习激励机制/99__eol__7.1 贡献的收益/100__eol__7.1.1 收益分享博弈/100__eol__7.1.2 反向拍卖/102__eol__7.2 注重公平的收益分享框架/103__eol__7.2.1 建模贡献/103__eol__7.2.2 建模代价/104__eol__7.2.3 建模期望损失/105__eol__7.2.4 建模时间期望损失/105__eol__7.2.5 策略协调/106__eol__7.2.6 计算收益评估比重/108__eol__7.3 挑战与展望/109__eol____eol__第8 章 联邦学习与计算机视觉、自然语言处理及推荐系统/111__eol__8.1 联邦学习与计算机视觉/112__eol__8.1.1 联邦计算机视觉/112__eol__8.1.2 业内研究进展/114__eol__8.1.3 挑战与展望/115__eol__8.2 联邦学习与自然语言处理/116__eol__8.2.1 联邦自然语言处理/116__eol__8.2.2 业界研究进展/118__eol__8.2.3 挑战与展望/118__eol__8.3 联邦学习与推荐系统/119__eol__8.3.1 推荐模型/120__eol__8.3.2 联邦推荐系统/121__eol__8.3.3 业界研究进展/123__eol__8.3.4 挑战与展望/123__eol____eol__第9 章 联邦强化学习/125__eol__9.1 强化学习介绍/126__eol__9.1.1 策略/127__eol__9.1.2 奖励/127__eol__9.1.3 价值函数/127__eol__9.1.4 环境模型/127__eol__9.1.5 强化学习应用举例/127__eol__9.2 强化学习算法/128__eol__9.3 分布式强化学习/130__eol__9.3.1 异步分布式强化学习/130__eol__9.3.2 同步分布式强化学习/131__eol__9.4 联邦强化学习/131__eol__9.4.1 联邦强化学习背景/131__eol__9.4.2 横向联邦强化学习/132__eol__9.4.3 纵向联邦强化学习/134__eol__9.5 挑战与展望/136__eol____eol__第10 章 应用前景/139__eol__10.1 金融/140__eol__10.2 医疗/141__eol__10.3 教育/142__eol__10.4 城市计算和智慧城市/144__eol__10.5 边缘计算和物联网/146__eol__10.6 区块链/147__eol__10.7 第五代移动网路/148__eol____eol__第11 章 总结与展望/149__eol____eol__附录A 数据保护法律和法规/151__eol__A.1 欧盟的数据保护法规/152__eol__A.1.1 GDPR 中的术语/153__eol__A.1.2 GDPR 重点条款/154__eol__A.1.3 GDPR 的影响/156__eol__A.2 美国的数据保护法规/157__eol__A.3 中国的数据保护法规/158__eol____eol__参考文献/161