联邦学习原理与应用（全彩）

　　《联邦学习原理与应用》既是关于联邦学习技术和实践方法的介绍，又是关于联邦学习在业界，特别是金融科技行业应用实践的案例展示。 第1章介绍联邦学习的发展背景和历程，以及金融业中数据共享的机遇和挑战。第2章~第5章介绍不同类型的机器学习方法在联邦学习模式下的实现，以及关键算法原理。第6章介绍联邦学习开源框架FATE的架构和部署，以及在金融控股集团内大数据平台上建立跨机构统一数据科学平台的实施方案。第7章从建模者的角度展示了典型建模流程的实战过程。第8章和第9章结合金融相关行业的实践，以多个应用案例和解决方案的形式，介绍联邦学习在营销运营和风险管理等不同业务方向上不同层次的应用实践。第10章从人工智能的不同方向介绍联邦学习应用扩展及前景。附录介绍了联邦学习框架中相关的密码学工具。 《联邦学习原理与应用》适合隐私保护计算研究者（特别是联邦学习技术的研究者）、大数据和人工智能方向的开发者及大数据相关的应用人员阅读参考。《联邦学习原理与应用》为希望使用大数据技术和从事数据分析挖掘的业界人员提供了新的思路和视角。

　　向小佳，光大科技有限公司副总经理。光大科技有限公司植根于金融科技领域，于2018年就开始探索数据的加密共享。在国内金控领域，他于2018年第一个发起联邦学习应用研究，并将其在风控、营销方面落地，建设了自主可控的联邦学习平台。他曾任中国科学院副研究员和硕士生导师、哥伦比亚大学访问学者、华为架构师。他在云计算、大数据、机器学习领域具有丰富的学术与产业应用经验。他于2010年获得清华大学博士学位，曾参与多个“863”“973”项目，主持国家自然科学基金项目一项，发表期刊和会议论文20余篇。 李琨，光大科技有限公司追光实验室负责人，拥有国内外多个行业数据挖掘建模和算法创新领域的多年实践经验，现在致力于金控集团数据协同和数据挖掘方向的解决方案实现与算法创新。他于2011年获得北京大学计算数学博士学位，发表算法相关的期刊和会议论文10余篇。 王鹏，光大科技有限公司大数据研究团队负责人。他现在负责金控集团联邦学习生态系统的建设和技术创新，参与了多个隐私计算行业标准制定，是联邦学习开源项目FATE专家技术指导委员会成员。他拥有10余年的大数据、人工智能系统设计经验，并在金控集团应用领域中实现了技术创新，其创新成果获得了多项行业奖项。 郑方兰，光大科技有限公司追光实验室技术专家，在多个业务场景中有丰富的数据挖掘经验，现主要致力于开发算法模块解决实际业务问题和算法创新。他于2012年获得博士学位，在国际主流的学术会议和期刊上发表论文10余篇。 田江，工学博士，光大科技有限公司大数据部负责人，在大数据、人工智能领域拥有丰富的理论研究及实践经验，发表国内外期刊和会议论文30余篇，参与起草国家标准《数据管理能力成熟度评估模型》并受聘为评估专家，同时多次获得中国人民银行信息科技课题研究奖项。

第1章 / 联邦学习与金融科技应用介绍
1.1 联邦学习的发展背景和历程
1.2 金融数据价值挖掘的联邦学习实践
第2章 / 联邦学习算法之建模准备
2.1 联邦学习的分类
2.2 样本对齐的实现方式
2.2.1 基于哈希函数的普通对齐方式
2.2.2 基于非对称加密算法的隐私保护对齐方式
2.3 特征工程的联邦学习实现方式
2.3.1 特征工程简介
2.3.2 联邦特征工程
第3章 / 联邦学习算法之模型实现
3.1 线性模型的联邦学习实现方式
3.1.1 横向联邦学习中的线性模型
3.1.2 纵向联邦学习中的线性模型
3.2 极端梯度提升树的联邦学习实现方式
3.2.1 XGBoost算法介绍
3.2.2 SecureBoost算法介绍
3.3 深度学习类算法的联邦学习实现方式
3.3.1 深度学习的基本概念
3.3.2 常用的深度学习算法介绍
3.3.3 联邦深度学习算法介绍
第4章 / 基于联邦学习的推荐系统
4.1 信息推荐与推荐系统
4.2 矩阵分解和因子分解机的实现方式
4.2.1 基于隐语义模型的推荐算法
4.2.2 矩阵分解算法
4.2.3 因子分解机模型
4.3 联邦推荐系统算法
4.3.1 联邦推荐算法的隐私保护
4.3.2 联邦推荐系统的分类
4.3.3 横向联邦推荐系统
4.3.4 纵向联邦推荐系统
第5章 / 联邦学习应用之数据要素价值
5.1 联邦学习贡献度
5.1.1 背景介绍
5.1.2 基于缺失法的贡献度计算
5.1.3 基于Shapley值的贡献度计算
5.2 基于联邦学习的数据要素交易
5.2.1 数据要素交易的背景与现状
5.2.2 基于联邦学习的交易机制构建
第6章 / 联邦学习平台搭建实践
6.1 联邦学习开源框架介绍
6.2 FATE架构与核心功能
6.3 金融控股集团联邦学习平台简介
6.4 FATE集群部署实践
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集群部署验证
6.4.5 FATE集群配置管理及注意事项
6.5 与异构平台对接
6.5.1 与大数据平台对接
6.5.2 与区块链平台对接
6.5.3 多参与方自动统计任务
第7章 / 联邦学习平台实践之建模实战
7.1 横向联邦学习场景
7.1.1 建模问题与环境准备
7.1.2 横向联邦学习建模实践过程
7.2 纵向联邦学习场景
7.2.1 建模问题与环境准备
7.2.2 纵向联邦学习建模实践过程
第8章 / 跨机构联邦学习运营应用案例
8.1 跨机构数据统计
8.2 在交叉营销场景中的联邦学习实践
8.2.1 联邦学习在交叉营销场景中的应用
8.2.2 信用卡交叉营销的联邦学习案例
8.3 联邦规则抽取算法及其在反欺诈与营销场景中的应用
8.3.1 基于F-score的联邦集成树模型和其对应的业务背景
8.3.2 损失函数、剪枝和自动化规则抽取
8.3.3 纵向和横向Fed-FEARE
8.3.4 横向Fed-FEARE应用于金融反欺诈
8.3.5 纵向Fed-FEARE应用于精准营销
第9章 / 跨机构联邦学习风控应用案例
9.1 联邦学习下的评分卡建模实践
9.1.1 背景需求介绍
9.1.2 联邦学习框架下的评分卡建模
9.1.3 联邦学习框架下的评分卡模型优化
9.1.4 应用案例
9.2 对企业客户评估的联邦学习和区块链联合解决方案
9.2.1 金融控股集团内对企业客户评估的应用背景
9.2.2 联邦解决方案的内容
9.2.3 券商对公客户的评级开发
9.3 在保险核保场景中银行保险数据联邦学习实践
9.3.1 保险核保
9.3.2 智能核保
9.3.3 联邦学习与智能核保
第10章 / 联邦学习应用扩展
10.1 基于联邦学习的计算机视觉应用
10.1.1 联邦计算机视觉简述
10.1.2 研究现状与应用展望
10.2 联邦学习在自然语言处理领域的应用
10.2.1 联邦自然语言处理技术进展
10.2.2 联邦自然语言处理应用
10.2.3 挑战与展望
10.3 联邦学习在大健康领域中的应用
10.3.1 联邦学习的大健康应用发展历程
10.3.2 挑战与顾虑
10.4 联邦学习在物联网中的应用
10.4.1 物联网与边缘计算
10.4.2 人工智能物联网
10.4.3 研究现状与挑战
附录1 RSA公钥加密算法
附录2 Paillier半同态加密算法
附录3 安全多方计算的SPDZ协议
参考文献