机读格式显示(MARC)

• 000 01771nam0 2200313 450

• 001 0000232176

• 005 20230717092300.0

• 010 __ |a 978-7-115-57532-6 |d CNY128.00

• 100 __ |a 20211130d2021 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 |A lian bang xue xi |e 原理与算法 |d = Federated learning |e fundamentals and algorithms |f 王健宗 ... [等] 著 |z eng

• 210 __ |a 北京 |c 人民邮电出版社 |d 2021.11

• 215 __ |a 280页 |c 图 |d 26cm

• 304 __ |a 题名页题: 王健宗, 李泽远, 何安珣, 王伟著

• 314 __ |a 王健宗, 博士, 美国佛罗里达大学人工智能博士后, 高级工程师, 某大型金融集团科技公司联邦学习团队负责人。中国计算机学会杰出会员、大数据专家委员会和量子计算专业组执委。李泽远, 某大型金融集团科技公司高级AI产品经理CCFYOCSEF深圳AC委员。何安珣, 某头部互联网公司高级产品经理。

• 320 __ |a 有书目 (第273-280页)

• 330 __ |a 数据孤岛和隐私安全挑战已经成为制约人工智能发展的关键问题。在此背景下, 联邦学习作为一种新兴技术, 凭借其突出的隐私保护能力展示出在诸多业务场景中的应用价值。本书从联邦学习的基础知识出发, 深入浅出地介绍了中央服务器优化和联邦机器学习的算法体系, 详细阐述了联邦学习中涉及的加密通信模块, 以定性和定量的双视角建立了联邦学习服务质量的评估维度、理论体系及提升方式, 并对联邦学习的研究趋势进行了深入探讨与分析, 可以对设计和选择算法提供工具式的参考和帮助。

• 333 __ |a 本书是高校、科研院所和业界相关学者研究联邦学习技术的理想读本, 也适合大数据、人工智能行业的从业者和有兴趣的读者参考

• 510 1_ |a Federated learning |e fundamentals and algorithms |z eng

• 606 0_ |a 机器学习 |A ji qi xue xi

• 690 __ |a TP181 |v 5

• 701 _0 |a 王健宗 |A wang jian zong |4 著

• 701 _0 |a 李泽远 |A li ze yuan |4 著

• 701 _0 |a 何安珣 |A he an xun |4 著

• 801 _0 |a CN |b 湖北三新 |c 20211130

• 905 __ |a GDPTC |d TP181/168