聯(lián)邦學習原理與應用（全彩）

第1章 / 聯(lián)邦學習與金融科技應用介紹
1.1 聯(lián)邦學習的發(fā)展背景和歷程
1.2 金融數(shù)據(jù)價值挖掘的聯(lián)邦學習實踐
第2章 / 聯(lián)邦學習算法之建模準備
2.1 聯(lián)邦學習的分類
2.2 樣本對齊的實現(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對齊方式
2.3 特征工程的聯(lián)邦學習實現(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)邦學習算法之模型實現(xiàn)
3.1 線性模型的聯(lián)邦學習實現(xiàn)方式
3.1.1 橫向聯(lián)邦學習中的線性模型
3.1.2 縱向聯(lián)邦學習中的線性模型
3.2 極端梯度提升樹的聯(lián)邦學習實現(xiàn)方式
3.2.1 XGBoost算法介紹
3.2.2 SecureBoost算法介紹
3.3 深度學習類算法的聯(lián)邦學習實現(xiàn)方式
3.3.1 深度學習的基本概念
3.3.2 常用的深度學習算法介紹
3.3.3 聯(lián)邦深度學習算法介紹
第4章 / 基于聯(lián)邦學習的推薦系統(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的實現(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
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)邦學習應用之數(shù)據(jù)要素價值
5.1 聯(lián)邦學習貢獻度
5.1.1 背景介紹
5.1.2 基于缺失法的貢獻度計算
5.1.3 基于Shapley值的貢獻度計算
5.2 基于聯(lián)邦學習的數(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)邦學習的交易機制構(gòu)建
第6章 / 聯(lián)邦學習平臺搭建實踐
6.1 聯(lián)邦學習開源框架介紹
6.2 FATE架構(gòu)與核心功能
6.3 金融控股集團聯(lián)邦學習平臺簡介
6.4 FATE集群部署實踐
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集群部署驗證
6.4.5 FATE集群配置管理及注意事項
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
第7章 / 聯(lián)邦學習平臺實踐之建模實戰(zhàn)
7.1 橫向聯(lián)邦學習場景
7.1.1 建模問題與環(huán)境準備
7.1.2 橫向聯(lián)邦學習建模實踐過程
7.2 縱向聯(lián)邦學習場景
7.2.1 建模問題與環(huán)境準備
7.2.2 縱向聯(lián)邦學習建模實踐過程
第8章 / 跨機構(gòu)聯(lián)邦學習運營應用案例
8.1 跨機構(gòu)數(shù)據(jù)統(tǒng)計
8.2 在交叉營銷場景中的聯(lián)邦學習實踐
8.2.1 聯(lián)邦學習在交叉營銷場景中的應用
8.2.2 信用卡交叉營銷的聯(lián)邦學習案例
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用
8.3.1 基于F-score的聯(lián)邦集成樹模型和其對應的業(yè)務背景
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應用于金融反欺詐
8.3.5 縱向Fed-FEARE應用于精準營銷
第9章 / 跨機構(gòu)聯(lián)邦學習風控應用案例
9.1 聯(lián)邦學習下的評分卡建模實踐
9.1.1 背景需求介紹
9.1.2 聯(lián)邦學習框架下的評分卡建模
9.1.3 聯(lián)邦學習框架下的評分卡模型優(yōu)化
9.1.4 應用案例
9.2 對企業(yè)客戶評估的聯(lián)邦學習和區(qū)塊鏈聯(lián)合解決方案
9.2.1 金融控股集團內(nèi)對企業(yè)客戶評估的應用背景
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)邦學習實踐
9.3.1 保險核保
9.3.2 智能核保
9.3.3 聯(lián)邦學習與智能核保
第10章 / 聯(lián)邦學習應用擴展
10.1 基于聯(lián)邦學習的計算機視覺應用
10.1.1 聯(lián)邦計算機視覺簡述
10.1.2 研究現(xiàn)狀與應用展望
10.2 聯(lián)邦學習在自然語言處理領(lǐng)域的應用
10.2.1 聯(lián)邦自然語言處理技術(shù)進展
10.2.2 聯(lián)邦自然語言處理應用
10.2.3 挑戰(zhàn)與展望
10.3 聯(lián)邦學習在大健康領(lǐng)域中的應用
10.3.1 聯(lián)邦學習的大健康應用發(fā)展歷程
10.3.2 挑戰(zhàn)與顧慮
10.4 聯(lián)邦學習在物聯(lián)網(wǎng)中的應用
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