Federated Learning Systems: Towards Privacy-Preserving Distributed AI
Muhammad Habib ur Rehman · Mohamed Medhat Gaber
abr. de 2025 · Springer Nature
E-book
165
Páginas
reportAs notas e avaliações não são verificadas Saiba mais
Sobre este e-book
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.
Avaliar este e-book
Diga o que você achou
Informações de leitura
Smartphones e tablets
Instale o app Google Play Livros para Android e iPad/iPhone. Ele sincroniza automaticamente com sua conta e permite ler on-line ou off-line, o que você preferir.
Laptops e computadores
Você pode ouvir audiolivros comprados no Google Play usando o navegador da Web do seu computador.
eReaders e outros dispositivos
Para ler em dispositivos de e-ink como os e-readers Kobo, é necessário fazer o download e transferir um arquivo para o aparelho. Siga as instruções detalhadas da Central de Ajuda se quiser transferir arquivos para os e-readers compatíveis.
