聯(lián)邦學(xué)習(xí)原理與應(yīng)用（全彩）

第1章 / 聯(lián)邦學(xué)習(xí)與金融科技應(yīng)用介紹
1.1 聯(lián)邦學(xué)習(xí)的發(fā)展背景和歷程
1.2 金融數(shù)據(jù)價值挖掘的聯(lián)邦學(xué)習(xí)實(shí)踐
第2章 / 聯(lián)邦學(xué)習(xí)算法之建模準(zhǔn)備
2.1 聯(lián)邦學(xué)習(xí)的分類
2.2 樣本對齊的實(shí)現(xiàn)方式
2.2.1 基于哈希函數(shù)的普通對齊方式
2.2.2 基于非對稱加密算法的隱私保護(hù)對齊方式
2.3 特征工程的聯(lián)邦學(xué)習(xí)實(shí)現(xiàn)方式
2.3.1 特征工程簡介
2.3.2 聯(lián)邦特征工程
第3章 / 聯(lián)邦學(xué)習(xí)算法之模型實(shí)現(xiàn)
3.1 線性模型的聯(lián)邦學(xué)習(xí)實(shí)現(xiàn)方式
3.1.1 橫向聯(lián)邦學(xué)習(xí)中的線性模型
3.1.2 縱向聯(lián)邦學(xué)習(xí)中的線性模型
3.2 極端梯度提升樹的聯(lián)邦學(xué)習(xí)實(shí)現(xiàn)方式
3.2.1 XGBoost算法介紹
3.2.2 SecureBoost算法介紹
3.3 深度學(xué)習(xí)類算法的聯(lián)邦學(xué)習(xí)實(shí)現(xiàn)方式
3.3.1 深度學(xué)習(xí)的基本概念
3.3.2 常用的深度學(xué)習(xí)算法介紹
3.3.3 聯(lián)邦深度學(xué)習(xí)算法介紹
第4章 / 基于聯(lián)邦學(xué)習(xí)的推薦系統(tǒng)
4.1 信息推薦與推薦系統(tǒng)
4.2 矩陣分解和因子分解機(jī)的實(shí)現(xiàn)方式
4.2.1 基于隱語義模型的推薦算法
4.2.2 矩陣分解算法
4.2.3 因子分解機(jī)模型
4.3 聯(lián)邦推薦系統(tǒng)算法
4.3.1 聯(lián)邦推薦算法的隱私保護(hù)
4.3.2 聯(lián)邦推薦系統(tǒng)的分類
4.3.3 橫向聯(lián)邦推薦系統(tǒng)
4.3.4 縱向聯(lián)邦推薦系統(tǒng)
第5章 / 聯(lián)邦學(xué)習(xí)應(yīng)用之?dāng)?shù)據(jù)要素價值
5.1 聯(lián)邦學(xué)習(xí)貢獻(xiàn)度
5.1.1 背景介紹
5.1.2 基于缺失法的貢獻(xiàn)度計算
5.1.3 基于Shapley值的貢獻(xiàn)度計算
5.2 基于聯(lián)邦學(xué)習(xí)的數(shù)據(jù)要素交易
5.2.1 數(shù)據(jù)要素交易的背景與現(xiàn)狀
5.2.2 基于聯(lián)邦學(xué)習(xí)的交易機(jī)制構(gòu)建
第6章 / 聯(lián)邦學(xué)習(xí)平臺搭建實(shí)踐
6.1 聯(lián)邦學(xué)習(xí)開源框架介紹
6.2 FATE架構(gòu)與核心功能
6.3 金融控股集團(tuán)聯(lián)邦學(xué)習(xí)平臺簡介
6.4 FATE集群部署實(shí)踐
6.4.1 All-in-one方式部署FATE集群
6.4.2 Docker-Compose方式部署FATE集群
6.4.3 在Kubernetes上部署FATE集群
6.4.4 FATE集群部署驗(yàn)證
6.4.5 FATE集群配置管理及注意事項(xiàng)
6.5 與異構(gòu)平臺對接
6.5.1 與大數(shù)據(jù)平臺對接
6.5.2 與區(qū)塊鏈平臺對接
6.5.3 多參與方自動統(tǒng)計任務(wù)
第7章 / 聯(lián)邦學(xué)習(xí)平臺實(shí)踐之建模實(shí)戰(zhàn)
7.1 橫向聯(lián)邦學(xué)習(xí)場景
7.1.1 建模問題與環(huán)境準(zhǔn)備
7.1.2 橫向聯(lián)邦學(xué)習(xí)建模實(shí)踐過程
7.2 縱向聯(lián)邦學(xué)習(xí)場景
7.2.1 建模問題與環(huán)境準(zhǔn)備
7.2.2 縱向聯(lián)邦學(xué)習(xí)建模實(shí)踐過程
第8章 / 跨機(jī)構(gòu)聯(lián)邦學(xué)習(xí)運(yùn)營應(yīng)用案例
8.1 跨機(jī)構(gòu)數(shù)據(jù)統(tǒng)計
8.2 在交叉營銷場景中的聯(lián)邦學(xué)習(xí)實(shí)踐
8.2.1 聯(lián)邦學(xué)習(xí)在交叉營銷場景中的應(yīng)用
8.2.2 信用卡交叉營銷的聯(lián)邦學(xué)習(xí)案例
8.3 聯(lián)邦規(guī)則抽取算法及其在反欺詐與營銷場景中的應(yīng)用
8.3.1 基于F-score的聯(lián)邦集成樹模型和其對應(yīng)的業(yè)務(wù)背景
8.3.2 損失函數(shù)、剪枝和自動化規(guī)則抽取
8.3.3 縱向和橫向Fed-FEARE
8.3.4 橫向Fed-FEARE應(yīng)用于金融反欺詐
8.3.5 縱向Fed-FEARE應(yīng)用于精準(zhǔn)營銷
第9章 / 跨機(jī)構(gòu)聯(lián)邦學(xué)習(xí)風(fēng)控應(yīng)用案例
9.1 聯(lián)邦學(xué)習(xí)下的評分卡建模實(shí)踐
9.1.1 背景需求介紹
9.1.2 聯(lián)邦學(xué)習(xí)框架下的評分卡建模
9.1.3 聯(lián)邦學(xué)習(xí)框架下的評分卡模型優(yōu)化
9.1.4 應(yīng)用案例
9.2 對企業(yè)客戶評估的聯(lián)邦學(xué)習(xí)和區(qū)塊鏈聯(lián)合解決方案
9.2.1 金融控股集團(tuán)內(nèi)對企業(yè)客戶評估的應(yīng)用背景
9.2.2 聯(lián)邦解決方案的內(nèi)容
9.2.3 券商對公客戶的評級開發(fā)
9.3 在保險核保場景中銀行保險數(shù)據(jù)聯(lián)邦學(xué)習(xí)實(shí)踐
9.3.1 保險核保
9.3.2 智能核保
9.3.3 聯(lián)邦學(xué)習(xí)與智能核保
第10章 / 聯(lián)邦學(xué)習(xí)應(yīng)用擴(kuò)展
10.1 基于聯(lián)邦學(xué)習(xí)的計算機(jī)視覺應(yīng)用
10.1.1 聯(lián)邦計算機(jī)視覺簡述
10.1.2 研究現(xiàn)狀與應(yīng)用展望
10.2 聯(lián)邦學(xué)習(xí)在自然語言處理領(lǐng)域的應(yīng)用
10.2.1 聯(lián)邦自然語言處理技術(shù)進(jìn)展
10.2.2 聯(lián)邦自然語言處理應(yīng)用
10.2.3 挑戰(zhàn)與展望
10.3 聯(lián)邦學(xué)習(xí)在大健康領(lǐng)域中的應(yīng)用
10.3.1 聯(lián)邦學(xué)習(xí)的大健康應(yīng)用發(fā)展歷程
10.3.2 挑戰(zhàn)與顧慮
10.4 聯(lián)邦學(xué)習(xí)在物聯(lián)網(wǎng)中的應(yīng)用
10.4.1 物聯(lián)網(wǎng)與邊緣計算
10.4.2 人工智能物聯(lián)網(wǎng)
10.4.3 研究現(xiàn)狀與挑戰(zhàn)
附錄1 RSA公鑰加密算法
附錄2 Paillier半同態(tài)加密算法
附錄3 安全多方計算的SPDZ協(xié)議
參考文獻(xiàn)