Federated and Transfer Learning
Roozbeh Razavi-Far · Boyu Wang · Matthew E. Taylor · Qiang Yang
9/2022 · Adaptation, Learning, and Optimization 27. kniha · Springer Nature
E‑kniha
371
Počet strán
reportHodnotenia a recenzie nie sú overené Ďalšie informácie
Táto e‑kniha
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.
Ohodnoťte túto elektronickú knihu
Povedzte nám svoj názor.
Informácie o dostupnosti
Smartfóny a tablety
Nainštalujte si aplikáciu Knihy Google Play pre Android a iPad/iPhone. Automaticky sa synchronizuje s vaším účtom a umožňuje čítať online aj offline, nech už ste kdekoľvek.
Laptopy a počítače
Audioknihy zakúpené v službe Google Play môžete počúvať prostredníctvom webového prehliadača v počítači.
Čítačky elektronických kníh a ďalšie zariadenia
Ak chcete tento obsah čítať v zariadeniach využívajúcich elektronický atrament, ako sú čítačky e‑kníh Kobo, musíte stiahnuť príslušný súbor a preniesť ho do svojho zariadenia. Pri prenose súborov do podporovaných čítačiek e‑kníh postupujte podľa podrobných pokynov v centre pomoci.
