借阅：8人
收藏：0人
联邦学习
- 查看机读格式
= Federated learning /杨强 ... [等] 著
ISBN/ISSN：978-7-121-38522-3
中图分类号：TP181
价格：CNY89.00
出版：北京 :电子工业出版社 ,2020
并列题名：Federated learning
简介：如何在保证本地训练数据不公开的前提下, 实现多个数据拥有者协同训练一个共享的机器学习模型? 传统的机器学习方法需要将所有的数据集中到一个地方 (例如, 数据中心) , 然后进行机器学习模型的训练。但这种基于集中数据的做法无疑会严重侵害用户隐私和数据安全。如今, 世界上越来越多的人开始强烈要求科技公司必须根据用户隐私法律法规妥善地处理用户的数据, 欧盟的《通用数据保护条例》是一个很好的例子。在本书中, 我们将描述联邦学习 (亦称联邦机器学习) 如何将分布式机器学习、密码学、基于金融规则的激励机制和博弈论结合起来, 以解决分散数据的使用问题。我们会介绍不同种类的面向隐私保护的机器学习解决方案以及技术背景, 并描述一些典型的实际问题解决案例。我们还会进一步论述联邦学习将成为下一代机器学习的基础, 可以满足技术和社会需求并促进面向安全的人工智能的开发和应用。
责任者：杨强 著 刘洋 著 程勇 著
载体形态：xvi, 192页 :彩图 ;24cm
-
评分：
-
加入暂存架
豆瓣内容简介：
豆瓣作者简介：
| 馆藏部门 | 物理位置 | 图书条码 | 索书号 | 登录号 | 卷期 | 状态 |
| 四楼北区 | 1188408 | TP181/Y242 | 1188408 | 在架可借 | ||
| 四楼北区 | 1188409 | TP181/Y242 | 1188409 | 在架可借 |
| 序号 | 图书条码 | 索书号 | 登录号 | 藏书部门 | 流通状态 | 年卷期 | 装订册 | 装订方式 | 装订颜色 |
| 类型 | 说明 | URL |
| 评 论 |
