微信读书书城
隐私保护机器学习
版权信息
加入书架
登录
查看
全部搜索结果
书城
目录
设置
加入书架
隐私保护机器学习
王力
版权信息
作者简介
内容简介
编委会
序言1
序言2
序言3
序言4
前言
CHAPTER 1 引言
1.1 背景
1.2 章节概览
1.3 人工智能与机器学习
1.4 隐私保护相关法律与标准
1.5 现状与不足
1.6 本章小结
CHAPTER 2 机器学习简介
2.1 有监督和无监督学习
2.2 线性模型
2.3 树模型
2.4 神经网络
2.5 图神经网络
2.6 迁移学习
2.7 本章小结
CHAPTER 3 安全计算技术原理
3.1 概览
3.2 不经意传输
3.3 混淆电路
3.4 秘密分享
3.5 同态加密
3.6 可信执行环境
3.7 差分隐私
3.8 本章小结
CHAPTER 4 场景定义
4.1 数据切分
4.2 安全模型
4.3 多方联合计算模式
4.4 安全等级
4.5 本章小结
CHAPTER 5 隐私求交
5.1 概念及应用
5.2 基于朴素哈希的隐私求交
5.3 基于迪菲-赫尔曼的隐私求交技术
5.4 基于不经意传输的隐私求交技术
5.5 基于同态加密的隐私求交技术
5.6 本章小结
CHAPTER 6 MPC计算框架
6.1 计算框架概述
6.2 协议说明
6.3 Sharemind框架
6.4 ABY框架
6.5 恶意威胁模型下的框架
6.6 本章小结
CHAPTER 7 线性模型
7.1 逻辑回归简介
7.2 基于秘密分享的方法
7.3 基于同态加密和秘密分享混合协议的方法
7.4 本章小结
CHAPTER 8 树模型
8.1 梯度提升决策树简介
8.2 MPC决策树
8.3 Secure Boost算法
8.4 HESS-XGB算法
8.5 本章小结
CHAPTER 9 神经网络
9.1 神经网络简介
9.2 联邦学习
9.3 拆分学习
9.4 密码学方法
9.5 服务器辅助的隐私保护机器学习
9.6 本章小结
CHAPTER 10 推荐系统
10.1 推荐系统简介
10.2 常见推荐算法
10.3 隐私保护推荐系统概述
10.4 隐私保护推荐算法
10.5 本章小结
CHAPTER 11 基于TEE的机器学习系统
11.1 SGX
11.2 SGX应用开发
11.3 基于SGX的隐私保护机器学习实例
11.4 集群化
11.5 侧信道加固
11.6 本章小结
CHAPTER 12 安全多方计算编译优化方法
12.1 安全多方计算编译器现状
12.2 非线性门数目最小化
12.3 深度最小优化方法
12.4 本章小结
CHAPTER 13 总结与展望
13.1 本书内容小结
13.2 挑战与展望
参考文献
是否关闭自动购买?
关闭后,阅读到本书未购买章节均需要手动购买确认。
取消
关闭
暂无笔记
本地导入书籍的 AI 翻译功能
仅支持付费会员使用
微信扫码开通付费会员
一键翻译全文