×
暂无评论
图文详情
  • ISBN:9787113295172
  • 装帧:一般胶版纸
  • 册数:暂无
  • 重量:暂无
  • 开本:26cm
  • 页数:229页
  • 出版时间:2023-01-01
  • 条形码:9787113295172 ; 978-7-113-29517-2

本书特色

(1) 旨在破除“数据孤岛”,满足隐私安全约束下实现高效智能模型训练和性能提升(2) 基于PySyft框架,分享联邦学习在隐私计算、计算机视觉、深度强化学习领域的落地实践案例(3)帮助读者获得思路的启发和应用场景的共鸣,实现对实际问题创造性地程序化描述

内容简介

鉴于小数据和“数据孤岛”成为制约人工智能技术发展的关键挑战性问题。本书全方位讲解人工智能领域的联邦学习原理,翔实阐述在平衡智能学习和信息安全的前提下,如何通过加密机制进行模型参数交换,安全地进行人工智能模型训练,所建立的虚拟共享智能模型与直接聚合所有数据获得的*优模型性能相近。除此之外,本书致力于全流程介绍联邦学习实践工具,帮助读者搭建完整的框架平台以及它们之间的应用关系,推动人工智能技术转化应用落地;*后本书通过7个实践案例全维度展现联邦学习实战。

目录

第1章 联邦学习的时代背景 1.1 大数据时代的“数据孤岛” 1.1.1 信息孤岛 1.1.2 数据孤岛 【思维拓展】数据中台 1.2 人工智能视角下的隐私保护与数据安全 1.2.1 大数据的隐私保护 【思维拓展】大规模隐私泄露事件 1.2.2 人工智能时代的隐私与安全 【思维拓展】无处安放的隐私——特斯拉在盯着你 1.3 联邦学习的使命任务 1.3.1 大势所趋:政策法律和市场风向 1.3.2 合法合规:“可用不可见”的数据流通 1.3.3 破解之道:人工智能与隐私、数据安全的兼得 1.4 本章小结 第2章 联邦学习的理论基础 2.1 人工智能的前世今生 2.1.1 人工智能简史 【追本溯源】达特茅斯会议 2.1.2 人工智能释义 2.2 人工智能中的“人工” 2.2.1 特征工程 【概念释义】科学、技术、工程 2.2.2 数据工程 2.3 人工智能是如何“智能”的 2.3.1 机器学习 2.3.2 深度学习 【思维拓展】群体智能 2.4 人工智能中的隐私保护与安全技术 2.4.1 信息安全的基石 2.4.2 隐私保护应用场景与技术 2.5 本章小结 第3章 联邦学习原理与架构技术解析 3.1 联邦学习的起源 3.1.1 研究背景 3.1.2 研究内容 【知识补充】梯度下降算法 3.2 联邦学习中“联邦”释义 3.2.1 相关概念与定义 3.2.2 联邦架构与生态 3.3 联邦学习如何“学习” 3.3.1 联邦学习中“学习”的分类 3.3.2 联邦学习中“学习”的流程 【知识扩展】联邦学习的标准化 3.4 联邦学习的“学习”成品 3.4.1 生命大数据可信计算平台 3.4.2 京东智联云联邦学 台 3.4.3 百度安全联邦计算 3.4.4 基于中国乳腺癌标准数据库的联邦学习 3.4.5 火山引擎Jeddak联邦学 台
展开全部

作者简介

高志强,军队指挥学武警信息化研究方向博士,毕业于中国人民武装警察部队工程大学,武警部队首届军事大数据工程专业筹备组成员。作为骨干成员参与研制多项武警部队信息化装备及平台系统,参与国家自然科学基金2项、陕西省自然科学基金1项。主要研究方向:深度学习、大数据与智能计算、面向大数据开放与治理的差分隐私保护数据发布关键技术研究及应用、粒子群优化算法等。

预估到手价 ×

预估到手价是按参与促销活动、以最优惠的购买方案计算出的价格(不含优惠券部分),仅供参考,未必等同于实际到手价。

确定
快速
导航