显示机读码

字段	字段内容
001	01h0164810
005	20210329094316.0
010	$a: 978-7-121-38522-3$d: CNY89.00
100	$a: 20200519d2020 em y0chiy50 ea
101	$a: chi
102	$a: CN$b: 110000
105	$a: ak a 000yy
106	$a: r
200	$a: 联邦学习$A: lian bang xue xi$d: = Federated learning$f: 杨强 ... [等] 著$z: eng
210	$a: 北京$c: 电子工业出版社$d: 2020
215	$a: xvi, 192页$c: 彩图$d: 24cm
304	$a: 题名页题: 杨强, 刘洋, 程勇, 康焱, 陈天健等著
314	$a: 杨强, 教授, 是微众银行的首席人工智能官和香港科技大学计算机科学与工程系讲席教授。刘洋, 是微众银行AI项目组的高级研究员。她的研究兴趣包括机器学习、联邦学习、迁移学习、多智能体系统、统计力学, 以及这些技术的产业应用。程勇, 是微众银行AI项目组的高级研究员。他的研究兴趣和专长主要包括联邦学习、深度学习、数学优化理论和算法、分布式和网络计算。
320	$a: 有书目 (第161-192页)
330	$a: 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。
510	$a: Federated learning$z: eng
606	$a: 机器学习$A: ji qi xue xi
690	$a: TP181$v: 5
701	$a: 程勇$A: cheng yong$4: 著
801	$a: CN$b: LITL$c: 20210329
905	$f: 2$a: LITL$b: 1188408-9$d: TP181$r: CNY89.00$e: Y242