第 01 章
什么是联邦学习 · 与传统ML区别 · 应用场景与价值
↗
第 02 章
TFF安装 · 依赖库配置 · 验证安装成功
↗
第 03 章
计算 · 类型系统 · 联合计算 · 放置与执行
↗
第 04 章
tff.simulation.datasets · 数据预处理与划分
↗
第 06 章
训练循环 · 模型聚合 · 性能监控
↗
第 07 章
tff.templates.IterativeProcess 详解
↗
第 09 章
梯度压缩 · 稀疏化 · 量化技术
↗
第 11 章
DifferentiallyPrivateFactory
↗
第 12 章
本地差分隐私 · 中心化差分隐私
↗
第 13 章
安全多方计算(MPC) · 秘密共享
↗
第 14 章
SecureSumFactory 使用
↗
第 15 章
同态加密概念 · 部分/全同态 · 联邦应用
↗
第 16 章
预算追踪 · Rényi差分隐私 · 组合定理
↗
第 17 章
梯度泄露 · 模型逆向 · 防御策略
↗
第 19 章
随机选择 · 基于贡献度 · 聚类选择
↗
第 20 章
异步联邦平均 · 延迟补偿 · 收敛性分析
↗
第 21 章
MAML在联邦学习 · 个性化联邦学习
↗
第 22 章
联邦迁移学习 · 联邦知识蒸馏实战
↗
第 23 章
联邦强化学习框架 · 分布式策略梯度
↗
第 24 章
联邦图神经网络 · 子图划分与聚合
↗
第 25 章
联邦NLP模型训练 · 隐私文本分析
↗
第 26 章
联邦图像分类 · 目标检测 · 隐私增强
↗
第 27 章
联邦协同过滤 · 隐私个性化推荐
↗
第 28 章
医疗数据隐私 · 联邦医学影像 · 电子病历
↗
第 29 章
金融数据隐私 · 联邦风控 · 反欺诈
↗
第 30 章
从零搭建联邦学习系统 · 数据/模型/隐私/部署
↗