Federated and Transfer Learning
Roozbeh Razavi-Far · Boyu Wang · Matthew E. Taylor · Qiang Yang
сеп. 2022 г. · Adaptation, Learning, and Optimization Книга 27 · Springer Nature
Е-книга
371
Страници
reportОцените и рецензиите не се потврдени Дознајте повеќе
За е-книгава
This book provides a collection of recent research works on learning from decentralized data, transferring information from one domain to another, and addressing theoretical issues on improving the privacy and incentive factors of federated learning as well as its connection with transfer learning and reinforcement learning. Over the last few years, the machine learning community has become fascinated by federated and transfer learning. Transfer and federated learning have achieved great success and popularity in many different fields of application. The intended audience of this book is students and academics aiming to apply federated and transfer learning to solve different kinds of real-world problems, as well as scientists, researchers, and practitioners in AI industries, autonomous vehicles, and cyber-physical systems who wish to pursue new scientific innovations and update their knowledge on federated and transfer learning and their applications.
Оценете ја е-книгава
Кажете ни што мислите.
Информации за читање
Паметни телефони и таблети
Инсталирајте ја апликацијата Google Play Books за Android и iPad/iPhone. Автоматски се синхронизира со сметката и ви овозможува да читате онлајн или офлајн каде и да сте.
Лаптопи и компјутери
Може да слушате аудиокниги купени од Google Play со користење на веб-прелистувачот на компјутерот.
Е-читачи и други уреди
За да читате на уреди со е-мастило, како што се е-читачите Kobo, ќе треба да преземете датотека и да ја префрлите на уредот. Следете ги деталните упатства во Центарот за помош за префрлање на датотеките на поддржани е-читачи.
