目录

第 1 章 绪论▶

• 1.1 联邦学习的背景与动机
• 1.2 联邦学习的定义与分类
• 1.3 可信联邦学习概述
• 1.4 本书结构

第 2 章 联邦学习基础算法▶

• 2.1 联邦平均算法（FedAvg）
• 2.2 联邦学习的优化方法
• 2.3 通信效率优化
• 2.4 习题

第 3 章 联邦大模型▶

• 3.1 大模型与联邦学习
• 3.2 联邦大模型训练方法
• 3.3 联邦大模型的挑战与展望
• 3.4 习题

第 4 章 联邦学习安全性▶

• 4.1 隐私攻击与防御
• 4.2 拜占庭攻击与鲁棒聚合
• 4.3 安全多方计算
• 4.4 差分隐私
• 4.5 习题

第 5 章 联邦学习效率▶

• 5.1 通信效率
• 5.2 计算效率
• 5.3 系统异构性
• 5.4 习题

第 6 章 无免费午餐定理▶

• 6.1 联邦学习中的无免费午餐定理
• 6.2 多目标权衡
• 6.3 习题

第 7 章 联邦学习的多目标优化▶

• 7.1 多目标优化基础
• 7.2 联邦学习中的多目标问题
• 7.3 帕累托最优
• 7.4 习题

第 8 章 个性化联邦学习▶

• 8.1 个性化联邦学习的动机
• 8.2 个性化方法分类
• 8.3 元学习与联邦学习
• 8.4 习题

第 9 章 联邦学习公平性▶

• 9.1 公平性的定义与度量
• 9.2 联邦学习中的公平性问题
• 9.3 公平联邦学习算法
• 9.4 习题

第 10 章 联邦学习贡献度与激励机制▶

• 10.1 贡献度评估
• 10.2 Shapley 值
• 10.3 激励机制设计
• 10.4 习题

第 11 章 模型知识产权保护▶

• 11.1 模型水印
• 11.2 模型指纹
• 11.3 联邦学习中的知识产权保护
• 11.4 习题

第 12 章 联邦学习应用▶

• 12.1 医疗健康
• 12.2 金融风控
• 12.3 智能推荐
• 12.4 物联网
• 12.5 习题

第 13 章 总结与展望▶

• 13.1 全书总结
• 13.2 未来研究方向