隐私保护机器学习 pdf下载

随着社会数字化和信息化的程度越来越高，数据资源作为一种互联网时代的新能源所表现出的数据流动价值越来越得到人们的重视。在大数据背景下，机器学习技术正被广泛应用在各个领域，充分发挥数据的价值。与此同时，在对数据隐私的担忧声中，政府开始行动制定数据使用合规法案。传统的机器学习方法受到了制约，大量的数据因为需要依法保护而无法被联合在一起进行建模，隐私保护机器学习的概念应运而生。本书将介绍隐私保护机器学习的原理、方法和应用，主要介绍机器学习和隐私保护技术的基础知识，并讲解隐私保护机器学习的应用，包括隐私求交、安全多方计算、线性模型、树模型、神经网络。同时本书还介绍隐私保护机器学习的具体应用场景，深入讲解其技术原理。
本书既适合隐私保护机器学习领域的从业者阅读，也可供高等院校相关专业的本科生、研究生学习参考。

王力，蚂蚁集团隐私计算算法总监，于2010年加入阿里云从事搜索算法研究工作；2016年加入蚂蚁集团，从事隐私保护机器学习技术的研究与应用工作，带领团队，在多方安全计算、可信执行环境、同态加密等领域进行深入的研究探索，创建了工业级可用的、适配不同场景的多项隐私保护机器学习方案，并在实际业务场景中取得成功。

第1章 引言
1.1 背景
1.2 章节概览
1.3 人工智能与机器学习
1.3.1 人工智能发展历程
1.3.2 人工智能应用现状
1.4 隐私保护相关法律与标准
1.5 现状与不足
1.5.1 隐私保护机器学习现状
1.5.2 当前存在的不足
1.6 本章小结
第2章 机器学习简介
2.1 有监督和无监督学习
2.2 线性模型
2.2.1 基本形式
2.2.2 线性回归
2.2.3 对数概率回归
2.2.4 多分类问题
2.2.5 过拟合与欠拟合
2.3 树模型
2.4 神经网络
2.4.1 神经元模型
2.4.2 前馈神经网络
2.4.3 反向传播算法
2.4.4 深度学习
2.5 图神经网络
2.5.1 循环图神经网络
2.5.2 图卷积神经网络
2.5.3 图自动编码器
2.5.4 时空图神经网络
2.5.5 图神经网络的应用
2.6 迁移学习
2.6.1 迁移学习的基本概念
2.6.2 迁移学习主要技术
2.6.3 迁移学习的应用
2.7 本章小结
第3章 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
3.3.1 point-and-permute优化
3.3.2 free-XOR优化
3.3.3 GRR优化
3.3.4 half-gates优化
3.4 秘密分享
3.4.1 定义
3.4.2 Shamir算法
3.4.3 Blakley算法
3.5 同态加密
3.5.1 定义
3.5.2 加法同态
3.5.3 乘法同态
3.6 可信执行环境
3.6.1 TEE定义
3.6.2 TEE架构
3.6.3 常见的TEE实现
3.7 差分隐私
3.7.1 差分隐私基础
3.7.2 差分隐私模型
3.8 本章小结
第4章 场景定义
4.1 数据切分
4.2 安全模型
4.2.1 理想世界/现实世界范式
4.2.2 半诚实模型
4.2.3 恶意模型
4.2.4 小结
4.3 多方联合计算模式
4.3.1 外包多方计算
4.3.2 端到端多方计算
4.3.3 服务器辅助的多方计算
4.3.4 对比分析
4.4 安全等级
4.5 本章小结
第5章 隐私求交
5.1 概念及应用
5.2 基于朴素哈希的隐私求交
5.2.1 哈希函数
5.2.2 基于哈希函数的隐私求交
5.3 基于迪菲-赫尔曼的隐私求交技术
5.3.1 迪菲-赫尔曼密钥交换算法
5.3.2 基于迪菲-赫尔曼的隐私求交算法
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
第6章 MPC计算框架
6.1 计算框架概述
6.2 协议说明
6.3 Sharemind框架
6.3.1 输入和输出
6.3.2 密态计算
6.3.3 结果输出
6.4 ABY框架
6.5 恶意威胁模型下的框架
6.5.1 SPDZ和BMR
6.5.2 SPDZ协议相关
6.5.3 BMR协议相关
6.6 本章小结
第7章 线性模型
7.1 逻辑回归简介
7.2 基于秘密分享的方法
7.2.1 数据水平切分场景下的方法
7.2.2 数据垂直切分场景下的方法
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
第8章 树模型
8.1 梯度提升决策树简介
8.2 MPC决策树
8.2.1 安全多方计算的数据处理
8.2.2 协议对浮点数的处理
8.2.3 安全多方计算协议
8.2.4 基于MPC的决策树预测协议
8.3 SecureBoost算法
8.3.1 单棵决策树训练算法
8.3.2 单棵决策树预测算法
8.4 HESS-XGB算法
8.5 本章小结
第9章 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
9.4.1 基于安全多方计算的神经网络
9.4.2 基于同态加密的神经网络
9.5 服务器辅助的隐私保护机器学习
9.5.1 动机
9.5.2 模型总体介绍
9.5.3 客户端联合计算第一个隐层
9.5.4 服务器计算中间隐层
9.5.5 客户端做模型预测
9.5.6 模型训练
9.5.7 防御机制
9.6 本章小结
第10章 推荐系统
10.1 推荐系统简介
10.2 常见推荐算法
10.2.1 协同过滤
10.2.2 矩阵分解
10.2.3 逻辑回归
10.2.4 因子分解机
10.3 隐私保护推荐系统概述
10.3.1 基于所解决的弱点进行分类
10.3.2 基于所面对的场景进行分类
10.3.3 基于所使用的方法进行分类
10.4 隐私保护推荐算法
10.4.1 隐私保护矩阵分解
10.4.2 隐私保护因子分解机
10.4.3 SeSoRec
10.5 本章小结
第11章 基于TEE的机器学习系统
11.1 SGX
11.1.1 隔离控制
11.1.2 完整性度量和身份认证
11.2 SGX应用开发
11.2.1 基于SGX SDK
11.2.2 基于SGX LibOS
11.3 基于SGX的隐私保护机器学习实例
11.3.1 Chiron
11.3.2 TensorSCONE
11.4 集群化
11.4.1 同构组网的无状态在线服务
11.4.2 异构组网的XGBoost训练系统
11.5 侧信道加固
11.5.1 侧信道攻击