연합학습

1장. 서론

1.1 동기
1.2 해결책으로서의 연합학습
1.2.1 연합학습의 정의
1.2.2 연합학습의 범주
1.3 연합학습의 발전 현황
1.3.1 연합학습 분야의 연구 이슈
1.3.2 오픈소스 프로젝트
1.3.3 표준화 활동
1.3.4 FedAI 생태계
1.4 이 책의 구성

2장. 배경지식

2.1 프라이버시 보전 머신러닝
2.2 프라이버시 보전 머신러닝과 보안 머신러닝
2.3 프라이버시 위협 모델과 보안 모델
2.3.1 프라이버시 위협 모델
2.3.2 적대자 모델과 보안 모델
2.4 프라이버시 보전 기법
2.4.1 다자간 보안 계산
2.4.2 동형 암호
2.4.3 차분 프라이버시

3장. 분산 머신러닝

3.1 분산 머신러닝 소개
3.1.1 분산 머신러닝의 정의
3.1.2 분산 머신러닝 플랫폼
3.2 확장성 지향 분산 머신러닝
3.2.1 대규모 머신러닝
3.2.2 확장성 지향 분산 머신러닝 기법
3.3 프라이버시 지향 분산 머신러닝
3.3.1 프라이버시 보전 의사 결정 트리
3.3.2 프라이버시 보전 기법
3.3.3 프라이버시 보전 분산 머신러닝 기법
3.4 프라이버시 보전 경사 하강법
3.4.1 순수 연합학습
3.4.2 프라이버시 보전 방식
3.5 요약

4장. 수평 연합학습

4.1 수평 연합학습의 정의
4.2 수평 연합학습 아키텍처
4.2.1 클라이언트-서버 아키텍처
4.2.2 피어 투 피어 아키텍처
4.2.3 글로벌 모델 평가
4.3 연합 평균 알고리듬
4.3.1 연합 최적화
4.3.2 FedAvg 알고리듬
4.3.3 보안 FedAvg 알고리듬
4.4 FedAvg 알고리듬의 개선
4.4.1 통신 효율성
4.4.2 클라이언트 선택
4.5 관련 연구
4.6 도전 과제와 향후 전망

5장. 수직 연합학습

5.1 수직 연합학습의 정의
5.2 수직 연합학습의 아키텍처
5.3 수직 연합학습 알고리듬
5.3.1 보안 연합 선형 회귀
5.3.2 보안 연합 트리 부스팅
5.4 도전 과제와 향후 전망

6장. 연합 전이학습

6.1 이종 연합학습
6.2 연합 전이학습
6.3 연합 전이학습 프레임워크
6.3.1 덧셈 동형 암호
6.3.2 연합 전이학습의 훈련 과정
6.3.3 연합 전이학습의 예측 과정
6.3.4 보안 분석
6.3.5 비밀 공유 기반 FTL
6.4 도전 과제와 향후 전망

7장. 연합학습을 위한 인센티브 메커니즘 설계

7.1 기여자 보상
7.1.1 이익 배분 게임
7.1.2 역경매
7.2 공정성 인지형 이익 배분 프레임워크
7.2.1 기여 모델링
7.2.2 비용 모델링
7.2.3 불만도 모델링
7.2.4 시간적 불만도 모델링
7.2.5 정책 조정자
7.2.6 보상 비중 계산
7.3 토의

8장. 컴퓨터 비전, 자연어 처리, 추천 시스템을 위한 연합학습

8.1 컴퓨터 비전을 위한 연합학습
8.1.1 연합 컴퓨터 비전
8.1.2 관련 연구
8.1.3 도전 과제와 향후 전망
8.2 자연어 처리를 위한 연합학습
8.2.1 연합 자연어 처리
8.2.2 관련 연구
8.2.3 도전 과제와 향후 전망
8.3 추천 시스템을 위한 연합학습
8.3.1 추천 모델
8.3.2 연합 추천 시스템
8.3.3 관련 연구
8.3.4 도전 과제와 향후 전망

9장. 연합 강화 학습

9.1 강화 학습 소개
9.1.1 정책
9.1.2 보상
9.1.3 가치 함수
9.1.4 환경 모델
9.1.5 강화 학습 사례
9.2 강화 학습 알고리듬
9.3 분산 강화 학습
9.3.1 비동기 분산 강화 학습
9.3.2 동기 분산 강화 학습
9.4 연합 강화 학습
9.5 도전 과제와 향후 전망

10장. 응용 분야

10.1 금융
10.2 헬스케어
10.3 교육
10.4 어반 컴퓨팅과 스마트 시티
10.5 에지 컴퓨팅과 사물 인터넷
10.6 블록체인
10.7 5G 모바일 네트워크

11장. 요약과 전망

부록 A 데이터 보호에 관한 법률
A.1 유럽 연합에서의 데이터 보호
A.2 미국에서의 데이터 보호
A.3 중국에서의 데이터 보호