最新章節

• 文后內容
• 作者簡介
• 參考文獻
• 13.2.2 社會層面
• 13.2.1 技術層面
• 13.2 挑戰與展望

• 文后內容 更新時間：2022-05-06 13:22:14
• 作者簡介
• 參考文獻
• 13.2.2 社會層面
• 13.2.1 技術層面
• 13.2 挑戰與展望
• 13.1 本書內容小結
• CHAPTER 13 總結與展望
• 12.4 本章小結
• 12.3.4 門電路級別深度優化
• 12.3.3 基礎運算模塊改進
• 12.3.2 進位保存加法器（CSA）與進位保存網絡（CSN）
• 12.3.1 代碼預處理
• 12.3 深度最小優化方法
• 12.2.2 非線性門數量最小化優化方案
• 12.2.1 基礎運算模塊
• 12.2 非線性門數目最小化
• 12.1 安全多方計算編譯器現狀
• CHAPTER 12 安全多方計算編譯優化方法
• 11.6 本章小結
• 11.5.3 安全加固方法
• 11.5.2 攻擊方法
• 11.5.1 側信道攻擊
• 11.5 側信道加固
• 11.4.2 異構組網的XGBoost訓練系統
• 11.4.1 同構組網的無狀態在線服務
• 11.4 集群化
• 11.3.2 TensorSCONE
• 11.3.1 Chiron
• 11.3 基于SGX的隱私保護機器學習實例
• 11.2.2 基于SGX LibOS
• 11.2.1 基于SGX SDK
• 11.2 SGX應用開發
• 11.1.2 完整性度量和身份認證
• 11.1.1 隔離控制
• 11.1 SGX
• CHAPTER 11 基于TEE的機器學習系統
• 10.5 本章小結
• 10.4.3 SeSoRec
• 10.4.2 隱私保護因子分解機
• 10.4.1 隱私保護矩陣分解
• 10.4 隱私保護推薦算法
• 10.3.3 基于所使用的方法進行分類
• 10.3.2 基于所面對的場景進行分類
• 10.3.1 基于所解決的弱點進行分類
• 10.3 隱私保護推薦系統概述
• 10.2.4 因子分解機
• 10.2.3 邏輯回歸
• 10.2.2 矩陣分解
• 10.2.1 協同過濾
• 10.2 常見推薦算法
• 10.1 推薦系統簡介
• CHAPTER 10 推薦系統
• 9.6 本章小結
• 9.5.7 防御機制
• 9.5.6 模型訓練
• 9.5.5 客戶端做模型預測
• 9.5.4 服務器計算中間隱層
• 9.5.3 客戶端聯合計算第一個隱層
• 9.5.2 模型總體介紹
• 9.5.1 動機
• 9.5 服務器輔助的隱私保護機器學習
• 9.4.2 基于同態加密的神經網絡
• 9.4.1 基于安全多方計算的神經網絡
• 9.4 密碼學方法
• 9.3 拆分學習
• 9.2 聯邦學習
• 9.1 神經網絡簡介
• CHAPTER 9 神經網絡
• 8.5 本章小結
• 8.4 HESS-XGB算法
• 8.3.2 單棵決策樹預測算法
• 8.3.1 單棵決策樹訓練算法
• 8.3 Secure Boost算法
• 8.2.4 基于MPC的決策樹預測協議
• 8.2.3 安全多方計算協議
• 8.2.2 協議對浮點數的處理
• 8.2.1 安全多方計算的數據處理
• 8.2 MPC決策樹
• 8.1 梯度提升決策樹簡介
• CHAPTER 8 樹模型
• 7.4 本章小結
• 7.3 基于同態加密和秘密分享混合協議的方法
• 7.2.2 數據垂直切分場景下的方法
• 7.2.1 數據水平切分場景下的方法
• 7.2 基于秘密分享的方法
• 7.1 邏輯回歸簡介
• CHAPTER 7 線性模型
• 6.6 本章小結
• 6.5.3 BMR協議相關
• 6.5.2 SPDZ協議相關
• 6.5.1 SPDZ和BMR
• 6.5 惡意威脅模型下的框架
• 6.4 ABY框架
• 6.3.3 結果輸出
• 6.3.2 密態計算
• 6.3.1 輸入和輸出
• 6.3 Sharemind框架
• 6.2 協議說明
• 6.1 計算框架概述
• CHAPTER 6 MPC計算框架
• 5.6 本章小結
• 5.5 基于同態加密的隱私求交技術
• 5.4 基于不經意傳輸的隱私求交技術
• 5.3.2 基于迪菲-赫爾曼的隱私求交算法
• 5.3.1 迪菲-赫爾曼密鑰交換算法
• 5.3 基于迪菲-赫爾曼的隱私求交技術
• 5.2.2 基于哈希函數的隱私求交
• 5.2.1 哈希函數
• 5.2 基于樸素哈希的隱私求交
• 5.1 概念及應用
• CHAPTER 5 隱私求交
• 4.5 本章小結
• 4.4 安全等級
• 4.3.4 對比分析
• 4.3.3 服務器輔助的多方計算
• 4.3.2 端到端多方計算
• 4.3.1 外包多方計算
• 4.3 多方聯合計算模式
• 4.2.4 小結
• 4.2.3 惡意模型
• 4.2.2 半誠實模型
• 4.2.1 理想世界/現實世界范式
• 4.2 安全模型
• 4.1 數據切分
• CHAPTER 4 場景定義
• 3.8 本章小結
• 3.7.2 差分隱私模型
• 3.7.1 差分隱私基礎
• 3.7 差分隱私
• 3.6.3 常見的TEE實現
• 3.6.2 TEE架構
• 3.6.1 TEE定義
• 3.6 可信執行環境
• 3.5.3 乘法同態
• 3.5.2 加法同態
• 3.5.1 定義
• 3.5 同態加密
• 3.4.3 Blakley算法
• 3.4.2 Shamir算法
• 3.4.1 定義
• 3.4 秘密分享
• 3.3.4 half-gates優化
• 3.3.3 GRR優化
• 3.3.2 free-XOR優化
• 3.3.1 point-and-permute優化
• 3.3 混淆電路
• 3.2 不經意傳輸
• 3.1 概覽
• CHAPTER 3 安全計算技術原理
• 2.7 本章小結
• 2.6.3 遷移學習的應用
• 2.6.2 遷移學習主要技術
• 2.6.1 遷移學習的基本概念
• 2.6 遷移學習
• 2.5.5 圖神經網絡的應用
• 2.5.4 時空圖神經網絡
• 2.5.3 圖自動編碼器
• 2.5.2 圖卷積神經網絡
• 2.5.1 循環圖神經網絡
• 2.5 圖神經網絡
• 2.4.4 深度學習
• 2.4.3 反向傳播算法
• 2.4.2 前饋神經網絡
• 2.4.1 神經元模型
• 2.4 神經網絡
• 2.3 樹模型
• 2.2.5 過擬合與欠擬合
• 2.2.4 多分類問題
• 2.2.3 對數概率回歸
• 2.2.2 線性回歸
• 2.2.1 基本形式
• 2.2 線性模型
• 2.1 有監督和無監督學習
• CHAPTER 2 機器學習簡介
• 1.6 本章小結
• 1.5.2 當前存在的不足
• 1.5.1 隱私保護機器學習現狀
• 1.5 現狀與不足
• 1.4 隱私保護相關法律與標準
• 1.3.2 人工智能應用現狀
• 1.3.1 人工智能發展歷程
• 1.3 人工智能與機器學習
• 1.2 章節概覽
• 1.1 背景
• CHAPTER 1 引言
• 前言
• 序言4
• 序言3
• 序言2
• 序言1
• 編委會
• 內容簡介
• 作者簡介
• 版權信息
• 封面

• 封面
• 版權信息
• 作者簡介
• 內容簡介
• 編委會
• 序言1
• 序言2
• 序言3
• 序言4
• 前言
• CHAPTER 1 引言
• 1.1 背景
• 1.2 章節概覽
• 1.3 人工智能與機器學習
• 1.3.1 人工智能發展歷程
• 1.3.2 人工智能應用現狀
• 1.4 隱私保護相關法律與標準
• 1.5 現狀與不足
• 1.5.1 隱私保護機器學習現狀
• 1.5.2 當前存在的不足
• 1.6 本章小結
• CHAPTER 2 機器學習簡介
• 2.1 有監督和無監督學習
• 2.2 線性模型
• 2.2.1 基本形式
• 2.2.2 線性回歸
• 2.2.3 對數概率回歸
• 2.2.4 多分類問題
• 2.2.5 過擬合與欠擬合
• 2.3 樹模型
• 2.4 神經網絡
• 2.4.1 神經元模型
• 2.4.2 前饋神經網絡
• 2.4.3 反向傳播算法
• 2.4.4 深度學習
• 2.5 圖神經網絡
• 2.5.1 循環圖神經網絡
• 2.5.2 圖卷積神經網絡
• 2.5.3 圖自動編碼器
• 2.5.4 時空圖神經網絡
• 2.5.5 圖神經網絡的應用
• 2.6 遷移學習
• 2.6.1 遷移學習的基本概念
• 2.6.2 遷移學習主要技術
• 2.6.3 遷移學習的應用
• 2.7 本章小結
• CHAPTER 3 安全計算技術原理
• 3.1 概覽
• 3.2 不經意傳輸
• 3.3 混淆電路
• 3.3.1 point-and-permute優化
• 3.3.2 free-XOR優化
• 3.3.3 GRR優化
• 3.3.4 half-gates優化
• 3.4 秘密分享
• 3.4.1 定義
• 3.4.2 Shamir算法
• 3.4.3 Blakley算法
• 3.5 同態加密
• 3.5.1 定義
• 3.5.2 加法同態
• 3.5.3 乘法同態
• 3.6 可信執行環境
• 3.6.1 TEE定義
• 3.6.2 TEE架構
• 3.6.3 常見的TEE實現
• 3.7 差分隱私
• 3.7.1 差分隱私基礎
• 3.7.2 差分隱私模型
• 3.8 本章小結
• CHAPTER 4 場景定義
• 4.1 數據切分
• 4.2 安全模型
• 4.2.1 理想世界/現實世界范式
• 4.2.2 半誠實模型
• 4.2.3 惡意模型
• 4.2.4 小結
• 4.3 多方聯合計算模式
• 4.3.1 外包多方計算
• 4.3.2 端到端多方計算
• 4.3.3 服務器輔助的多方計算
• 4.3.4 對比分析
• 4.4 安全等級
• 4.5 本章小結
• CHAPTER 5 隱私求交
• 5.1 概念及應用
• 5.2 基于樸素哈希的隱私求交
• 5.2.1 哈希函數
• 5.2.2 基于哈希函數的隱私求交
• 5.3 基于迪菲-赫爾曼的隱私求交技術
• 5.3.1 迪菲-赫爾曼密鑰交換算法
• 5.3.2 基于迪菲-赫爾曼的隱私求交算法
• 5.4 基于不經意傳輸的隱私求交技術
• 5.5 基于同態加密的隱私求交技術
• 5.6 本章小結
• CHAPTER 6 MPC計算框架
• 6.1 計算框架概述
• 6.2 協議說明
• 6.3 Sharemind框架
• 6.3.1 輸入和輸出
• 6.3.2 密態計算
• 6.3.3 結果輸出
• 6.4 ABY框架
• 6.5 惡意威脅模型下的框架
• 6.5.1 SPDZ和BMR
• 6.5.2 SPDZ協議相關
• 6.5.3 BMR協議相關
• 6.6 本章小結
• CHAPTER 7 線性模型
• 7.1 邏輯回歸簡介
• 7.2 基于秘密分享的方法
• 7.2.1 數據水平切分場景下的方法
• 7.2.2 數據垂直切分場景下的方法
• 7.3 基于同態加密和秘密分享混合協議的方法
• 7.4 本章小結
• CHAPTER 8 樹模型
• 8.1 梯度提升決策樹簡介
• 8.2 MPC決策樹
• 8.2.1 安全多方計算的數據處理
• 8.2.2 協議對浮點數的處理
• 8.2.3 安全多方計算協議
• 8.2.4 基于MPC的決策樹預測協議
• 8.3 Secure Boost算法
• 8.3.1 單棵決策樹訓練算法
• 8.3.2 單棵決策樹預測算法
• 8.4 HESS-XGB算法
• 8.5 本章小結
• CHAPTER 9 神經網絡
• 9.1 神經網絡簡介
• 9.2 聯邦學習
• 9.3 拆分學習
• 9.4 密碼學方法
• 9.4.1 基于安全多方計算的神經網絡
• 9.4.2 基于同態加密的神經網絡
• 9.5 服務器輔助的隱私保護機器學習
• 9.5.1 動機
• 9.5.2 模型總體介紹
• 9.5.3 客戶端聯合計算第一個隱層
• 9.5.4 服務器計算中間隱層
• 9.5.5 客戶端做模型預測
• 9.5.6 模型訓練
• 9.5.7 防御機制
• 9.6 本章小結
• CHAPTER 10 推薦系統
• 10.1 推薦系統簡介
• 10.2 常見推薦算法
• 10.2.1 協同過濾
• 10.2.2 矩陣分解
• 10.2.3 邏輯回歸
• 10.2.4 因子分解機
• 10.3 隱私保護推薦系統概述
• 10.3.1 基于所解決的弱點進行分類
• 10.3.2 基于所面對的場景進行分類
• 10.3.3 基于所使用的方法進行分類
• 10.4 隱私保護推薦算法
• 10.4.1 隱私保護矩陣分解
• 10.4.2 隱私保護因子分解機
• 10.4.3 SeSoRec
• 10.5 本章小結
• CHAPTER 11 基于TEE的機器學習系統
• 11.1 SGX
• 11.1.1 隔離控制
• 11.1.2 完整性度量和身份認證
• 11.2 SGX應用開發
• 11.2.1 基于SGX SDK
• 11.2.2 基于SGX LibOS
• 11.3 基于SGX的隱私保護機器學習實例
• 11.3.1 Chiron
• 11.3.2 TensorSCONE
• 11.4 集群化
• 11.4.1 同構組網的無狀態在線服務
• 11.4.2 異構組網的XGBoost訓練系統
• 11.5 側信道加固
• 11.5.1 側信道攻擊
• 11.5.2 攻擊方法
• 11.5.3 安全加固方法
• 11.6 本章小結
• CHAPTER 12 安全多方計算編譯優化方法
• 12.1 安全多方計算編譯器現狀
• 12.2 非線性門數目最小化
• 12.2.1 基礎運算模塊
• 12.2.2 非線性門數量最小化優化方案
• 12.3 深度最小優化方法
• 12.3.1 代碼預處理
• 12.3.2 進位保存加法器（CSA）與進位保存網絡（CSN）
• 12.3.3 基礎運算模塊改進
• 12.3.4 門電路級別深度優化
• 12.4 本章小結
• CHAPTER 13 總結與展望
• 13.1 本書內容小結
• 13.2 挑戰與展望
• 13.2.1 技術層面
• 13.2.2 社會層面
• 參考文獻
• 作者簡介
• 文后內容 更新時間：2022-05-06 13:22:14