Bewertung:
Derzeit gibt es keine Leserbewertungen. Die Bewertung basiert auf 2 Stimmen.
Federated Learning: Privacy and Incentive
Dieses Buch bietet eine umfassende und in sich geschlossene Einführung in das föderierte Lernen, die von den grundlegenden Kenntnissen und Theorien bis zu verschiedenen Schlüsselanwendungen reicht.
Fragen des Datenschutzes und der Anreize stehen im Mittelpunkt dieses Buches. Es kommt zur rechten Zeit, da föderiertes Lernen nach der Verabschiedung der Allgemeinen Datenschutzverordnung (GDPR) immer beliebter wird. Ziel des föderierten Lernens ist es, das gemeinsame Trainieren eines Maschinenmodells zu ermöglichen, ohne dass jede Partei private Daten an andere weitergibt. Diese Einstellung entspricht den regulatorischen Anforderungen des Datenschutzes wie der GDPR.
Dieses Buch besteht aus drei Hauptteilen. Erstens werden verschiedene Methoden zur Wahrung der Privatsphäre vorgestellt, mit denen ein föderiertes Lernmodell gegen verschiedene Arten von Angriffen wie Datenlecks und/oder Data Poisoning geschützt werden kann. Zweitens stellt das Buch Anreizmechanismen vor, die darauf abzielen, Individuen zur Teilnahme an föderierten Lernökosystemen zu ermutigen. Nicht zuletzt wird in diesem Buch auch beschrieben, wie föderiertes Lernen in der Industrie und in Unternehmen eingesetzt werden kann, um Probleme mit Datensilos und der Wahrung der Privatsphäre zu lösen. Das Buch richtet sich an Leser aus dem akademischen Bereich und der Industrie, die etwas über föderiertes Lernen lernen, seine Implementierung üben und es in ihrem eigenen Unternehmen anwenden möchten. Von den Lesern wird erwartet, dass sie ein gewisses Grundverständnis für lineare Algebra, Kalkül und neuronale Netze haben. Darüber hinaus wären Fachkenntnisse in den Bereichen FinTech und Marketing hilfreich.".
| ISBN: | 9783030630751 |
| Autor: | |
| Verlag: | |
| Sprache: | Englisch |
| Einband: | Taschenbuch |
| Erscheinungsjahr: | 2020 |
| Seitenzahl: | 286 |
Derzeit verfügbar, auf Lager.
