机读格式显示(MARC)

• 000 02209nam 2200349 450

• 001 0000359199

• 005 20240925125900.0

• 010 __ |a 978-7-111-72853-5 |d CNY109.00

• 100 __ |a 20230614d2023 em y0chiy50 ea

• 101 0_ |a chi

• 102 __ |a CN |b 110000

• 105 __ |a ak a 000yy

• 106 __ |a r

• 200 1_ |a 联邦学习原理与算法 |A lian bang xue xi yuan li yu suan fa |d = Cyberspace security technology federated learning |f 耿佳辉 ... [等] 编著 |z eng

• 210 __ |a 北京 |c 机械工业出版社 |d 2023.5

• 215 __ |a xii, 220页 |c 图 |d 26cm

• 225 2_ |a 网络空间安全技术丛书 |A wang luo kong jian an quan ji shu cong shu

• 300 __ |a 国家出版基金项目

• 304 __ |a 题名页题: 耿佳辉, 牟永利, 李青, (挪) 容淳铭编著

• 314 __ |a 耿佳辉, 博士, 欧盟玛丽居里项目研究员, 研究的重点包括隐私保护计算、区块链、自然语言处理等。多箭文章在国际会议发表, 在中国、德国、挪威的知名企业都有丰富的工作经验。牟永利, 博士, 致力于联邦学习、数据隐私和区块链应用等领域的研究, 并参与多个德国的医疗数据基建项目, 如MMI和NFDI4Health, 拥有丰富的数据科学和人工智能研究背景。有多篇医学信息学、联邦学习、区块链技术国际论文发表经验。李青, 博士, 挪威斯塔万格大学。致力于机器学习鲁棒性、可解释性,机器学习中的常微分或偏微分方程的数值计算等研究。

• 320 __ |a 有书目 (第217-220页)

• 330 __ |a 本书系统介绍了联邦学习的全貌, 内容丰富, 兼顾算法理论与实践。算法部分包含横向联邦、纵向联邦等不同的数据建模方式, 重点讨论了联邦学习由于数据异质性和设备异质性带来的算法稳定性、隐私性挑战及其解决策略, 这对每个联邦学习框架设计者来说都是至关重要但却容易忽略的部分; 实践部分介绍了当前主流的联邦学习框架, 并进行对比, 然后给出相同算法的不同实现供读者比较。本书重点介绍了联邦学习计算机视觉及推荐系统等方面的应用, 方便算法工程师拓展当前的算法框架, 对金融、医疗、边缘计算、区块链等应用也做了详尽阐述。

• 333 __ |a 本书对于研究隐私保护机器学习的计算机相关专业学生和联邦学习领域的开发者、创业者都有很好的借鉴作用

• 410 _0 |1 2001 |a 网络空间安全技术丛书

• 510 1_ |a Cyberspace security technology federated learning |z eng

• 606 0_ |a 机器学习 |A ji qi xue xi

• 690 __ |a TP181 |v 5

• 701 _0 |a 耿佳辉 |A geng jia hui |4 编著

• 701 _0 |a 牟永利 |A mou yong li |4 编著

• 701 _0 |a 李青 |A li qing |4 编著

• 801 _0 |a CN |b GDPTC |c 20240925

• 905 __ |a GDPTC |d TP181/304