Föderiertes Lernen für IoT-Anwendungen

Originaltitel:

Federated Learning for Iot Applications

Inhalt des Buches:

In diesem Buch wird vorgestellt, wie föderiertes Lernen dabei hilft, Benutzeraktivitäten in Internet-of-Things (IoT)-Anwendungen zu verstehen und daraus zu lernen und gleichzeitig die Privatsphäre der Benutzer zu schützen. Die Autoren zeigen zunächst, wie föderiertes Lernen eine einzigartige Möglichkeit bietet, personalisierte Modelle aus Daten zu erstellen, ohne die Privatsphäre der Nutzer zu verletzen.

Anschließend geben die Autoren einen umfassenden Überblick über den aktuellen Stand der Forschung im Bereich des föderierten Lernens, um dem Leser einen allgemeinen Überblick über dieses Gebiet zu geben. Das Buch untersucht auch, wie ein personalisiertes föderiertes Lernsystem in Cloud-Edge-Architekturen sowie in Wireless-Edge-Architekturen für intelligente IoT-Anwendungen benötigt wird. Um mit den Problemen der Heterogenität in IoT-Umgebungen umzugehen, untersucht das Buch neue personalisierte föderierte Lernmethoden, die in der Lage sind, die negativen Auswirkungen von Heterogenität in verschiedenen Aspekten zu mildern.

Das Buch enthält Fallstudien zur IoT-basierten Erkennung menschlicher Aktivitäten, um die Effektivität des personalisierten föderierten Lernens für intelligente IoT-Anwendungen zu demonstrieren, sowie mehrere Werkzeuge für den Entwurf von Reglern und die Systemanalyse, einschließlich Modellprädiktive Steuerung, lineare Matrixungleichungen, optimale Steuerung usw. Dieses einzigartige und vollständige Co-Design-Framework wird Forschern, Doktoranden und Ingenieuren in den Bereichen Regelungstheorie und -technik zugute kommen.