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(jià)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(duì)齊的實(shí)現(xiàn)方式
2.2.1 基于哈希函數(shù)的普通對(duì)齊方式
2.2.2 基于非對(duì)稱加密算法的隱私保護(hù)對(duì)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(jiǎn)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(jià)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(jì)算
5.1.3 基于Shapley值的貢獻(xiàn)度計(jì)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(tái)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(tái)簡(jiǎn)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(tái)對(duì)接
6.5.1 與大數(shù)據(jù)平臺(tái)對(duì)接
6.5.2 與區(qū)塊鏈平臺(tái)對(duì)接
6.5.3 多參與方自動(dòng)統(tǒng)計(jì)任務(wù)
第7章 / 聯(lián)邦學(xué)習(xí)平臺(tái)實(shí)踐之建模實(shí)戰(zhàn)
7.1 橫向聯(lián)邦學(xué)習(xí)場(chǎng)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(chǎng)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(yíng)應(yīng)用案例
8.1 跨機(jī)構(gòu)數(shù)據(jù)統(tǒng)計(jì)
8.2 在交叉營(yíng)銷場(chǎng)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(yíng)銷場(chǎng)景中的應(yīng)用
8.2.2 信用卡交叉營(yíng)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(yíng)銷場(chǎng)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(duì)應(yīng)的業(yè)務(wù)背景
8.3.2 損失函數(shù)、剪枝和自動(dòng)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(yíng)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(píng)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(píng)分卡建模
9.1.3 聯(lián)邦學(xué)習(xí)框架下的評(píng)分卡模型優(yōu)化
9.1.4 應(yīng)用案例
9.2 對(duì)企業(yè)客戶評(píng)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(duì)企業(yè)客戶評(píng)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(duì)公客戶的評(píng)級(jí)開發(fā)
9.3 在保險(xiǎn)核保場(chǎng)景中銀行保險(xiǎn)數(shù)據(jù)聯(lián)邦學(xué)習(xí)實(shí)踐
9.3.1 保險(xiǎn)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(jì)算機(jī)視覺應(yīng)用
10.1.1 聯(lián)邦計(jì)算機(jī)視覺簡(jiǎn)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(jì)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(jì)算的SPDZ協(xié)議
參考文獻(xiàn)