Federated and Transfer Learning
Roozbeh Razavi-Far · Boyu Wang · Matthew E. Taylor · Qiang Yang
сеп 2022. · Adaptation, Learning, and Optimization 27. књига · Springer Nature
Е-књига
371
Страница
reportОцене и рецензије нису верификоване Сазнајте више
О овој е-књизи
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.
Оцените ову е-књигу
Јавите нам своје мишљење.
Информације о читању
Паметни телефони и таблети
Инсталирајте апликацију Google Play књиге за Android и iPad/iPhone. Аутоматски се синхронизује са налогом и омогућава вам да читате онлајн и офлајн где год да се налазите.
Лаптопови и рачунари
Можете да слушате аудио-књиге купљене на Google Play-у помоћу веб-прегледача на рачунару.
Е-читачи и други уређаји
Да бисте читали на уређајима које користе е-мастило, као што су Kobo е-читачи, треба да преузмете фајл и пренесете га на уређај. Пратите детаљна упутства из центра за помоћ да бисте пренели фајлове у подржане е-читаче.
