Federated Learning Systems: Towards Privacy-Preserving Distributed AI
Muhammad Habib ur Rehman · Mohamed Medhat Gaber
2025. ápr. · Springer Nature
E-könyv
165
Oldalak száma
reportAz értékelések és vélemények nincsenek ellenőrizve További információ
Információk az e-könyvről
This book dives deep into both industry implementations and cutting-edge research driving the Federated Learning (FL) landscape forward. FL enables decentralized model training, preserves data privacy, and enhances security without relying on centralized datasets. Industry pioneers like NVIDIA have spearheaded the development of general-purpose FL platforms, revolutionizing how companies harness distributed data. Alternately, for medical AI, FL platforms, such as FedBioMed, enable collaborative model development across healthcare institutions to unlock massive value.
Research advances in PETs highlight ongoing efforts to ensure that FL is robust, secure, and scalable. Looking ahead, federated learning could transform public health by enabling global collaboration on disease prevention while safeguarding individual privacy. From recommendation systems to cybersecurity applications, FL is poised to reshape multiple domains, driving a future where collaboration and privacy coexist seamlessly.
E-könyv értékelése
Mondd el a véleményedet.
Olvasási információk
Okostelefonok és táblagépek
Telepítsd a Google Play Könyvek alkalmazást Android- vagy iPad/iPhone eszközre. Az alkalmazás automatikusan szinkronizálódik a fiókoddal, így bárhol olvashatsz online és offline állapotban is.
Laptopok és számítógépek
A Google Playen vásárolt hangoskönyveidet a számítógép böngészőjében is meghallgathatod.
E-olvasók és más eszközök
E-tinta alapú eszközökön (például Kobo e-könyv-olvasón) való olvasáshoz le kell tölteni egy fájlt, és átvinni azt a készülékre. A Súgó részletes utasításait követve lehet átvinni a fájlokat a támogatott e-könyv-olvasókra.
