商品簡介
《聯邦學習原理與應用》既是關於聯邦學習技術和實踐方法的介紹，又是關於聯邦學習在業界，特別是金融科技行業應用實踐的案例展示。
第1章介紹聯邦學習的發展背景和歷程，以及金融業中數據共享的機遇和挑戰。第2章~第5章介紹不同類型的機器學習方法在聯邦學習模式下的實現，以及關鍵算法原理。第6章介紹聯邦學習開源框架FATE的架構和部署，以及在金融控股集團內大數據平臺上建立跨機構統一數據科學平臺的實施方案。第7章從建模者的角度展示了典型建模流程的實戰過程。第8章和第9章結合金融相關行業的實踐，以多個應用案例和解決方案的形式，介紹聯邦學習在營銷運營和風險管理等不同業務方向上不同層次的應用實踐。第10章從人工智能的不同方向介紹聯邦學習應用擴展及前景。附錄介紹了聯邦學習框架中相關的密碼學工具。
《聯邦學習原理與應用》適合隱私保護計算研究者（特別是聯邦學習技術的研究者）、大數據和人工智能方向的開發者及大數據相關的應用人員閱讀參考。《聯邦學習原理與應用》為希望使用大數據技術和從事數據分析挖掘的業界人員提供了新的思路和視角。
作者簡介
向小佳，光大科技有限公司副總經理。光大科技有限公司植根於金融科技領域，於2018年就開始探索數據的加密共享。在國內金控領域，他於2018年第一個發起聯邦學習應用研究，並將其在風控、營銷方面落地，建設了自主可控的聯邦學習平臺。他曾任中國科學院副研究員和碩士生導師、哥倫比亞大學訪問學者、華為架構師。他在云計算、大數據、機器學習領域具有豐富的學術與產業應用經驗。他於2010年獲得清華大學博士學位，曾參與多個“863”“973”項目，主持國家自然科學基金項目一項，發表期刊和會議論文20余篇。
李琨，光大科技有限公司追光實驗室負責人，擁有國內外多個行業數據挖掘建模和算法創新領域的多年實踐經驗，現在致力於金控集團數據協同和數據挖掘方向的解決方案實現與算法創新。他於2011年獲得北京大學計算數學博士學位，發表算法相關的期刊和會議論文10余篇。
王鵬，光大科技有限公司大數據研究團隊負責人。他現在負責金控集團聯邦學習生態系統的建設和技術創新，參與了多個隱私計算行業標準制定，是聯邦學習開源項目FATE專家技術指導委員會成員。他擁有10余年的大數據、人工智能系統設計經驗，並在金控集團應用領域中實現了技術創新，其創新成果獲得了多項行業獎項。
鄭方蘭，光大科技有限公司追光實驗室技術專家，在多個業務場景中有豐富的數據挖掘經驗，現主要致力於開發算法模塊解決實際業務問題和算法創新。他於2012年獲得博士學位，在國際主流的學術會議和期刊上發表論文10余篇。
田江，工學博士，光大科技有限公司大數據部負責人，在大數據、人工智能領域擁有豐富的理論研究及實踐經驗，發表國內外期刊和會議論文30余篇，參與起草國家標準《數據管理能力成熟度評估模型》並受聘為評估專家，同時多次獲得中國人民銀行信息科技課題研究獎項。
名人/編輯推薦
《聯邦學習原理與應用》由光大科技官方出品，從聯邦學習的原理到應用，內容全面。
《聯邦學習原理與應用》從聯邦學習發展的背景、技術方法和工具的原理、落地實踐的詳細過程、與金融業務相關的應用案例、應用展望等方面，多角度、多層次地展示聯邦學習及其在金融科技行業應用的全貌。
序
“數據是新時代的石油”。石油需要經過勘探、開采、提煉才能成為石化產品，服務人類，體現價值。數據同樣需要經過治理和挖掘才能產生價值。在數據治理和挖掘的過程中，數據的應用面臨很多困難和挑戰。解決“數據孤島”問題是其中最突出的難點。隱私保護是近年來從個人用戶到政府都高度關注的內容。如何在保護個人隱私和數據安全的情況下，實現跨機構的數據聯合使用，是當前大數據產業和人工智能技術應用的重要課題與探索方向。
2020年被認為是國內聯邦學習和隱私保護計算的應用元年。無論是掌握最豐富數據資源的互聯網“大廠”，掌握大量金融數據的銀行和豐富通信數據的電信企業，還是傳統的提供數據服務的第三方科技公司，都開始布局聯邦學習，或提出應用架構框架，或結合業務建立行業解決方案。這既是數據共享和價值挖掘有著巨大的應用需求與價值的表現，也是面對嚴格的法律和監管要求，數據相關工作的一種必然的選擇。
聯邦學習作為一種隱私保護計算技術，為數據的聯合建模和價值挖掘提供了可行的解決路徑，正在實踐中高速發展。在金融科技發展的過程中，對於數據的跨機構聯合使用有強烈的應用需求。在服務中國光大集團打造世界一流金融控股集團的戰略目標過程中，特別是在服務集團數字化轉型和E-SBU協同戰略的實踐中，光大科技有限公司作為集團科技創新的實踐者，聚焦數字化、智能化，從2019年年初就開始積極跟進聯邦學習的最新發展，加入聯邦學習FATE開源社區並提交代碼為社區做貢獻，積極參與行業技術標準的制定。光大科技有限公司在集團協同場景中探索，並在中國光大集團數據港上打造聯邦學習平臺，幫助集團內成員企業實現跨機構聯合數據應用。
作為金融科技行業的參與者，我們把在聯邦學習上的探索和實踐經驗分享給業界，希望為大數據和人工智能在金融行業的落地應用、數字經濟發展和國有企業數字化轉型貢獻一份力量。這也是我們編寫本書的初心和動機。我們嘗試從聯邦學習發展的背景、技術方法和工具的原理、落地實踐的詳細過程、與金融業務相關的應用案例、應用展望等方面，多角度、多層次地展示聯邦學習及其在金融科技行業應用的全貌。
在編寫本書的過程中，特別是在資料收集方面，我們得到了光大科技有限公司大數據部同事的大力幫助，在此特別向張明銳、凌立、周權、魏樂、額日和、盧格潤、彭成霞、原田、畢光耀、樊昕曄、李鈺、王義文、解巧巧等表示衷心的感謝。本書的編寫和出版得到了電子工業出版社博文視點公司石悅老師，從選題策劃到布局謀篇等方面的幫助。我們也對石悅老師表達感謝。此外，我們還要特別感謝香港科技大學的楊強教授和聯邦學習FATE開源社區創始人陳天健，他們閱讀了本書初稿並提出了很多寶貴的意見和建議，使我們對FATE框架的介紹更加準確與深入。
最後，我們還要感謝光大科技有限公司和中國光大集團，以及集團內的其他成員企業。它們鼎力支持，並提供了強大的技術平臺和良好的協同環境，讓我們能夠最終完成本書的寫作。
目次
第1章 / 聯邦學習與金融科技應用介紹
1.1 聯邦學習的發展背景和歷程
1.2 金融數據價值挖掘的聯邦學習實踐
第2章 / 聯邦學習算法之建模準備
2.1 聯邦學習的分類
2.2 樣本對齊的實現方式
2.2.1 基於哈希函數的普通對齊方式
2.2.2 基於非對稱加密算法的隱私保護對齊方式
2.3 特徵工程的聯邦學習實現方式
2.3.1 特徵工程簡介
2.3.2 聯邦特徵工程
第3章 / 聯邦學習算法之模型實現
3.1 線性模型的聯邦學習實現方式
3.1.1 橫向聯邦學習中的線性模型
3.1.2 縱向聯邦學習中的線性模型
3.2 極端梯度提升樹的聯邦學習實現方式
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邦學習實現方式
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 聯邦深度學習算法介紹
第4章 / 基於聯邦學習的推薦系統
4.1 信息推薦與推薦系統
4.2 矩陣分解和因子分解機的實現方式
4.2.1 基於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 聯邦推薦系統算法
4.3.1 聯邦推薦算法的隱私保護
4.3.2 聯邦推薦系統的分類
4.3.3 橫向聯邦推薦系統
4.3.4 縱向聯邦推薦系統
第5章 / 聯邦學習應用之數據要素價值
5.1 聯邦學習貢獻度
5.1.1 背景介紹
5.1.2 基於缺失法的貢獻度計算
5.1.3 基於Shapley值的貢獻度計算
5.2 基於聯邦學習的數據要素交易
5.2.1 數據要素交易的背景與現狀
5.2.2 基於聯邦學習的交易機制構建
第6章 / 聯邦學習平臺搭建實踐
6.1 聯邦學習開源框架介紹
6.2 FATE架構與核心功能
6.3 金融控股集團聯邦學習平臺簡介
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 與異構平臺對接
6.5.1 與大數據平臺對接
6.5.2 與區塊鏈平臺對接
6.5.3 多參與方自動統計任務
第7章 / 聯邦學習平臺實踐之建模實戰
7.1 橫向聯邦學習場景
7.1.1 建模問題與環境準備
7.1.2 橫向聯邦學習建模實踐過程
7.2 縱向聯邦學習場景
7.2.1 建模問題與環境準備
7.2.2 縱向聯邦學習建模實踐過程
第8章 / 跨機構聯邦學習運營應用案例
8.1 跨機構數據統計
8.2 在交叉營銷場景中的聯邦學習實踐
8.2.1 聯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邦學習案例
8.3 聯邦規則抽取算法及其在反欺詐與營銷場景中的應用
8.3.1 基於F-score的聯邦集成樹模型和其對應的業務背景
8.3.2 損失函數、剪枝和自動化規則抽取
8.3.3 縱向和橫向Fed-FEARE
8.3.4 橫向Fed-FEARE應用於金融反欺詐
8.3.5 縱向Fed-FEARE應用於精準營銷
第9章 / 跨機構聯邦學習風控應用案例
9.1 聯邦學習下的評分卡建模實踐
9.1.1 背景需求介紹
9.1.2 聯邦學習框架下的評分卡建模
9.1.3 聯邦學習框架下的評分卡模型優化
9.1.4 應用案例
9.2 對企業客戶評估的聯邦學習和區塊鏈聯合解決方案
9.2.1 金融控股集團內對企業客戶評估的應用背景
9.2.2 聯邦解決方案的內容
9.2.3 券商對公客戶的評級開發
9.3 在保險核保場景中銀行保險數據聯邦學習實踐
9.3.1 保險核保
9.3.2 智能核保
9.3.3 聯邦學習與智能核保
第10章 / 聯邦學習應用擴展
10.1 基於聯邦學習的計算機視覺應用
10.1.1 聯邦計算機視覺簡述
10.1.2 研究現狀與應用展望
10.2 聯邦學習在自然語言處理領域的應用
10.2.1 聯邦自然語言處理技術進展
10.2.2 聯邦自然語言處理應用
10.2.3 挑戰與展望
10.3 聯邦學習在大健康領域中的應用
10.3.1 聯邦學習的大健康應用發展歷程
10.3.2 挑戰與顧慮
10.4 聯邦學習在物聯網中的應用
10.4.1 物聯網與邊緣計算
10.4.2 人工智能物聯網
10.4.3 研究現狀與挑戰
附錄1 RSA公鑰加密算法
附錄2 Paillier半同態加密算法
附錄3 安全多方計算的SPDZ協議
參考文獻
書摘/試閱
6.4.4 FATE集群部署驗證
在使用三種方式部署完成後，需要進行通信測試來驗證FATE集群是否成功安裝，FATE提供了run_test、toy_example和min_test_task測試。其中，run_test是單元測試，用於測試本地環境安裝是否正確、完整。toy_example利用兩方求和測試兩方Party的聯通性及各組件是否可用。min_test_task從特徵選擇、特徵工程、模型訓練到模型預測模擬一個完整的聯合建模過程來進行測試。
1. run_test單元測試
在Guest方和Host方執行以下命令進行單元測試：
CONTAINER_ID=`docker ps -aqf "name=fate"`
docker exec -t -i ${CONTAINER_ID} bash
bash ./python/federatedml/test/run_test.sh
若屏幕顯示以下內容，則表示測試成功：
there are 0 failed test
2. toy_example測試
只需要到Guest方的/data/projects/fate/python/examples/toy_example/目錄下執行：
python run_toy_example.py ${guest_party_id} ${host_party_id} ${work_mode}
其中，work_mode為0表示單機版本，為1表示集群版本。我們的實驗節點是採用集群方式部署的。一旦任務發起，服務器上就可能會返回以下信息。
（1）Party ID錯誤或者通信模塊錯誤。
在任務發起後，若屏幕上沒有立刻輸出信息，則通信可能失敗，可能是guest_party_id和host_party_id錯誤，也可能是通信模塊安裝失敗。
（2）EggRoll或通信錯誤。
如果屏幕上輸出jobid，並且顯示“job running time exceed”，那麼檢查通信或者Host方的EggRoll日志。否則，檢查Guest方的EggRoll日志。
（3）任務成功，日志顯示成功。
3. min_test_task測試
本案例主要測試數據上傳、求交集、算法。
在Host方中執行：
sh run.sh host ${task}
task可選擇fast或normal，fast將使用FATE提供的breast數據集，normal將使用credit數據集。在執行該命令後，得到上傳數據的表名和表空間，需要將其告知Guest方。
在Guest方中執行：
sh run.sh guest ${task} ${host_table_name} ${host_namespace}
需要注意以下三點：
（1）在用All-in-one方式執行命令前需要先初始化環境變量：
source /data/projects/fate/init_env.sh
（2）在Docker環境下進入python容器的命令：
docker exec -it ${容器名} bash
（3）在Kubernetes環境下進入python容器的命令：
kubectl exec -it ${容器名} -n ${namespace} --/bin/bash
您曾經瀏覽過的商品
購物須知
大陸出版品因裝訂品質及貨運條件與台灣出版品落差甚大，除封面破損、內頁脫落等較嚴重的狀態，其餘商品將正常出貨。
特別提醒：部分書籍附贈之內容(如音頻mp3或影片dvd等)已無實體光碟提供，需以QR CODE 連結至當地網站註冊“並通過驗證程序”，方可下載使用。
無現貨庫存之簡體書，將向海外調貨：
海外有庫存之書籍，等候約45個工作天;
海外無庫存之書籍，平均作業時間約60個工作天，然不保證確定可調到貨，尚請見諒。
為了保護您的權益，「三民網路書店」提供會員七日商品鑑賞期(收到商品為起始日)。
若要辦理退貨，請在商品鑑賞期內寄回，且商品必須是全新狀態與完整包裝(商品、附件、發票、隨貨贈品等)否則恕不接受退貨。