联邦学习原理与PySyft实战

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