讓AI安全上工：新觀念隱私保護機器學習

01 引言
1.1 背景
1.2 章節概覽
1.3 人工智慧與機器學習
1.4 隱私保護相關法律與標準
1.5 現狀與不足
1.6 本章小結

02 機器學習簡介
2.1 有監督和無監督學習
2.2 線性模型
2.3 樹模型
2.4 神經網路
2.5 圖神經網路
2.6 遷移學習
2.7 本章小結

03 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
3.4 秘密分享
3.5 同態加密
3.6 可信執行環境
3.7 差分隱私
3.8 本章小結

04 場景定義
4.1 資料切分
4.2 安全模型
4.3 多方聯合計算模式
4.4 安全等級
4.5 本章小結

05 私有集合交集
5.1 概念及應用
5.2 以樸素雜湊為基礎的私有集合交集
5.3 以迪菲– 赫爾曼為基礎的私有集合交集技術
5.4 以不經意傳輸為基礎的私有集合交集技術
5.5 以同態加密為基礎的私有集合交集技術
5.6 本章小結

06 MPC 計算框架
6.1 計算框架概述
6.2 協定說明 
6.3 Sharemind框架
6.4 ABY 框架
6.5 惡意威脅模型下的框架
6.6 本章小結

07 線性模型
7.1 邏輯回歸簡介
7.2 以秘密分享為基礎的方法
7.3 以同態加密和秘密分享混合協定為基礎的方法
7.4 本章小結

08 樹模型
8.1 梯度提升決策樹簡介
8.2 MPC 決策樹
8.3 Secure Boost 演算法
8.4 HESS-XGB 演算法
8.5 本章小結

09 神經網路
9.1 神經網路簡介
9.2 聯邦學習 
9.3 拆分學習 
9.4 密碼學方法 
9.5 伺服器輔助的隱私保護機器學習
9.6 本章小結

10 推薦系統
10.1 推薦系統簡介 
10.2 常見推薦演算法 
10.3 隱私保護推薦系統概述 
10.4 隱私保護推薦演算法 
10.5 本章小結 

11 以TEE 為基礎的機器學習系統
11.1 SGX 
11.2 SGX 應用程式開發
11.3 以SGX 為基礎的隱私保護機器學習實例 
11.4 叢集化 
11.5 側通道加固 
11.6 本章小結 

12 安全多方計算編譯最佳化方法
12.1 安全多方計算編譯器現狀 
12.2 非線性閘數目最小化 
12.3 深度最小最佳化方法 
12.4 本章小結 
13 複習與展望
13.1 本書內容小結 
13.2 挑戰與展望 
A 參考文獻