Federacyjne uczenie się: Prywatność i motywacja

Opinie czytelników

Obecnie brak opinii czytelników. Ocena opiera się na 2 głosach.

Oryginalny tytuł:

Federated Learning: Privacy and Incentive

Zawartość książki:

Niniejsza książka stanowi kompleksowe i samodzielne wprowadzenie do federacyjnego uczenia się, począwszy od podstawowej wiedzy i teorii, a skończywszy na różnych kluczowych zastosowaniach.

Kwestie prywatności i zachęt są głównym tematem tej książki. Jest to na czasie, ponieważ uczenie federacyjne staje się popularne po wydaniu ogólnego rozporządzenia o ochronie danych (RODO). Ponieważ uczenie federacyjne ma na celu umożliwienie wspólnego trenowania modelu maszynowego bez ujawniania prywatnych danych innym stronom. To ustawienie jest zgodne z wymogami regulacyjnymi dotyczącymi ochrony prywatności danych, takimi jak RODO.

Niniejsza książka składa się z trzech głównych części. Po pierwsze, wprowadza różne metody ochrony prywatności w celu zabezpieczenia modelu federacyjnego uczenia się przed różnymi rodzajami ataków, takimi jak wyciek danych i/lub zatruwanie danych. Po drugie, książka przedstawia mechanizmy motywacyjne, które mają na celu zachęcenie jednostek do uczestnictwa w sfederowanych ekosystemach edukacyjnych. Wreszcie, książka ta opisuje również, w jaki sposób federacyjne uczenie się może być stosowane w przemyśle i biznesie w celu rozwiązania problemów związanych z silosami danych i ochroną prywatności. Książka jest przeznaczona dla czytelników zarówno ze środowisk akademickich, jak i przemysłowych, którzy chcieliby dowiedzieć się więcej o uczeniu federacyjnym, przećwiczyć jego wdrażanie i zastosować je we własnej działalności. Od czytelników oczekuje się podstawowej wiedzy z zakresu algebry liniowej, rachunku różniczkowego i sieci neuronowych. Dodatkowo przydatna będzie wiedza z zakresu FinTech i marketingu.".