جلد سخت سیاه و سفید
Product details
- Publisher : Springer; 1st ed. 2022 edition (February 3, 2022)
- Language : English
- Hardcover : 273 pages
- ISBN-10 : 3030855589
- ISBN-13 : 978-3030855581
کتاب Federated Learning for IoT Applications (EAI/Springer Innovations in Communication and Computing)
This book presents how federated learning helps to understand and learn from user activity in Internet of Things (IoT) applications while protecting user privacy. The authors first show how federated learning provides a unique way to build personalized models using data without intruding on users’ privacy. The authors then provide a comprehensive survey of state-of-the-art research on federated learning, giving the reader a general overview of the field. The book also investigates how a personalized federated learning framework is needed in cloud-edge architecture as well as in wireless-edge architecture for intelligent IoT applications. To cope with the heterogeneity issues in IoT environments, the book investigates emerging personalized federated learning methods that are able to mitigate the negative effects caused by heterogeneities in different aspects. The book provides case studies of IoT based human activity recognition to demonstrate the effectiveness of personalized federated learning for intelligent IoT applications, as well as multiple controller design and system analysis tools including model predictive control, linear matrix inequalities, optimal control, etc. This unique and complete co-design framework will benefit researchers, graduate students and engineers in the fields of control theory and engineering.
منابع کتاب کتاب Federated Learning for IoT Applications (EAI/Springer Innovations in Communication and Computing)
این کتاب نشان می دهد که چگونه یادگیری فدرال به درک و یادگیری از فعالیت کاربر در برنامه های اینترنت اشیا (IoT) و در عین حال محافظت از حریم خصوصی کاربر کمک می کند. نویسندگان ابتدا نشان می‌دهند که چگونه یادگیری فدرال روشی منحصربه‌فرد برای ساخت مدل‌های شخصی‌شده با استفاده از داده‌ها بدون دخالت در حریم خصوصی کاربران فراهم می‌کند. نویسندگان سپس یک بررسی جامع از تحقیقات پیشرفته در زمینه یادگیری فدرال ارائه می‌کنند و به خواننده یک دید کلی از این زمینه ارائه می‌دهند. این کتاب همچنین بررسی می کند که چگونه یک چارچوب یادگیری فدرال شخصی سازی شده در معماری لبه ابری و همچنین در معماری لبه بی سیم برای برنامه های هوشمند IoT مورد نیاز است. برای مقابله با مسائل ناهمگونی در محیط های اینترنت اشیا، این کتاب به بررسی روش‌های یادگیری فدرال شخصی‌شده در حال ظهور می‌پردازد که می‌توانند اثرات منفی ناشی از ناهمگونی‌ها را در جنبه‌های مختلف کاهش دهند. این کتاب مطالعات موردی شناسایی فعالیت‌های انسانی مبتنی بر اینترنت اشیا را برای نشان دادن اثربخشی یادگیری فدرال شخصی‌شده برای برنامه‌های هوشمند اینترنت اشیاء و همچنین طراحی کنترل‌کننده‌های متعدد و ابزارهای تحلیل سیستم از جمله کنترل پیش‌بینی مدل، نابرابری‌های ماتریس خطی، کنترل بهینه و غیره ارائه می‌کند. و چارچوب کامل طراحی مشترک به نفع محققان، دانشجویان فارغ التحصیل و مهندسان در زمینه های تئوری کنترل و مهندسی خواهد بود.
ارسال نظر درباره کتاب Federated Learning for IoT Applications (EAI/Springer Innovations in Communication and Computing)