幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

聯邦學習技術及應用

  • 作者：編者:章輝//祝好//陳宏銘|責編:耍利娜
  • 出版社：化學工業
  • ISBN：9787122486707
  • 出版日期：2025/10/01
  • 裝幀：平裝
  • 頁數：220
人民幣：RMB 79 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書系統闡釋聯邦學習這一新興技術的理論與應用。開篇詳解聯邦學習的背景、發展階段、模型架構及分類，深入剖析其隱私保護技術與安全挑戰。繼而探討聯邦學習在移動邊緣網路優化、通信成本降低、資源分配策略及激勵機制設計等方面的創新應用，揭示其與物聯網、區塊鏈、大模型等技術的融合路徑。最後，結合通信、金融、醫療、交通等多行業場景，展現聯邦學習在網路性能優化、用戶行為分析、安全通信等領域的實踐價值。
    全書兼具理論深度與實踐指導，為讀者提供從基礎原理到行業解決方案的全面參考，助力解決數據隱私、通信效率等核心問題。
    本書適合通信行業從業者，人工智慧、大數據、雲計算領域的研究人員及工程師學習使用，也可用作高等院校相關專業的師生教學用書。
作者介紹
編者:章輝//祝好//陳宏銘|責編:耍利娜
目錄
第1章  聯邦學習簡介
  1.1  聯邦學習的背景
  1.2  聯邦學習技術的發展階段
    1.2.1  早期探索階段
    1.2.2  技術成熟階段
    1.2.3  應用拓展階段
  1.3  聯邦學習的定義
  1.4  聯邦學習的特點
  1.5  聯邦學習的模型架構及訓練過程
    1.5.1  聯邦學習模型架構概述
    1.5.2  本地模型
    1.5.3  中央伺服器
    1.5.4  通信網路
    1.5.5  模型聚合演算法
    1.5.6  訓練過程
    1.5.7  其他模型架構
  1.6  聯邦學習的分類
    1.6.1  橫向聯邦學習
    1.6.2  縱向聯邦學習
    1.6.3  聯邦遷移學習
  1.7  聯邦學習的隱私與安全問題
    1.7.1  隱私問題
    1.7.2  安全問題
  1.8  聯邦學習的網路協議
  1.9  聯邦學習的應用
    1.9.1  應用領域
    1.9.2  應用案例
  1.10  聯邦學習的優勢
  1.11  聯邦學習面臨的挑戰
    1.11.1  通信效率問題
    1.11.2  數據傾斜問題
    1.11.3  系統異構性問題
    1.11.4  安全與隱私問題
    1.11.5  激勵機制設計問題
    1.11.6  標準化與互操作性問題
第2章  聯邦學習應用於移動邊緣網路
  2.1  移動邊緣網路背景
  2.2  移動邊緣網路中的聯邦學習
    2.2.1  分散式機器學習
    2.2.2  去中心化聯邦學習
    2.2.3  自適應聯邦學習
  2.3  移動邊緣網路架構
    2.3.1  移動邊緣網路模型
    2.3.2  聯邦學習的系統模型
    2.3.3  聯邦學習的性能分析
  2.4  移動邊緣網路應用聯邦學習的發展
    2.4.1  移動邊緣網路應用聯邦學習的優勢
    2.4.2  移動邊緣網路應用聯邦學習存在的挑戰
    2.4.3  移動邊緣網路應用聯邦學習的未來發展方向
第3章  聯邦學習對通信成本的優化

  3.1  邊緣和終端計算
    3.1.1  邊緣計算的歷史與發展
    3.1.2  邊緣計算概述
    3.1.3  邊緣計算的應用場景
    3.1.4  邊緣計算的體系結構
    3.1.5  邊緣計算的關鍵技術
    3.1.6  邊緣計算的架構
    3.1.7  邊緣計算的分類
    3.1.8  邊緣計算的案例演算法
    3.1.9  邊緣和終端計算的優勢
  3.2  模型壓縮
    3.2.1  結構化更新與概略化更新
    3.2.2  量化權重壓縮
    3.2.3  模型剪枝
    3.2.4  有損壓縮技術在模型壓縮中的應用
    3.2.5  基於模型壓縮的優化方法
  3.3  聯邦學習增強隱私安全
    3.3.1  隱私安全
    3.3.2  模型更新檢測
第4章  聯邦學習中激勵機制設計
  4.1  聯邦學習中引入激勵機制的必要性
  4.2  激勵機制簡介
    4.2.1  激勵機制基本概念
    4.2.2  激勵機制常見評價指標
  4.3  聯邦學習中激勵機制設計類別
    4.3.1  同步聯邦學習激勵機制
    4.3.2  非同步聯邦學習激勵機制
  4.4  設計案例分析：非同步聯邦學習在線激勵機制設計
    4.4.1  系統建模與問題表述
    4.4.2  在線激勵機制設計
    4.4.3  改進OIMAF
    4.4.4  模擬分析
第5章  聯邦學習對資源分配的優化
  5.1  網路資源分配模型
    5.1.1  網路資源分配
    5.1.2  用戶選擇
    5.1.3  分散式學習模型
    5.1.4  分散式學習模型對網路資源分配的優化作用
  5.2  聯邦學習中的資源分配問題
    5.2.1  參與者選擇
    5.2.2  無線與計算資源管理
    5.2.3  適應性聚合
    5.2.4  激勵機制
  5.3  聯邦學習中的資源分配優化
    5.3.1  單目標優化
    5.3.2  多目標優化
    5.3.3  性能分析
第6章  聯邦學習與其他大數據技術的結合
  6.1  聯邦學習與物聯網
    6.1.1  物聯網技術

    6.1.2  聯邦學習與物聯網結合的技術優勢
    6.1.3  聯邦學習與物聯網結合的系統模型
    6.1.4  聯邦學習與物聯網結合的應用場景
  6.2  聯邦學習與區塊鏈
    6.2.1  區塊鏈技術
    6.2.2  聯邦學習與區塊鏈結合的技術優勢
    6.2.3  聯邦學習與區塊鏈結合的應用場景
  6.3  聯邦學習與大模型
    6.3.1  大模型與面臨的挑戰
    6.3.2  聯邦學習與大模型訓練
第7章  聯邦學習在通信行業中的應用
  7.1  行業背景
  7.2  聯邦學習在通信行業中的應用場景
    7.2.1  對內服務
    7.2.2  對外服務
  7.3  未來展望
第8章  聯邦學習在金融行業中的應用
  8.1  行業背景
  8.2  聯邦學習在金融行業中的應用場景
    8.2.1  銀行業務場景
    8.2.2  證券業務場景
    8.2.3  保險業務場景
    8.2.4  金融監管與執法機構業務場景
  8.3  未來展望
第9章  聯邦學習在智慧醫療中的應用
  9.1  智慧醫療與大數據應用
  9.2  聯邦學習與智慧醫療結合的應用場景
    9.2.1  醫學影像分析
    9.2.2  電子健康記錄管理
    9.2.3  疾病預測與監控
  9.3  聯邦學習在智慧醫療中面臨的挑戰
    9.3.1  數據異質性
    9.3.2  隱私泄露和安全性
    9.3.3  通信成本和效率
    9.3.4  法規政策要求
    9.3.5  技術標準化與互操作性
第10章  聯邦學習在智慧交通中的應用
  10.1  行業背景
  10.2  聯邦學習在智慧交通中的應用場景
    10.2.1  智慧公交
    10.2.2  智慧地鐵
    10.2.3  智慧鐵路
    10.2.4  智慧高速
  10.3  未來展望
第11章  聯邦學習在智慧城市中的應用
  11.1  智慧城市
  11.2  聯邦學習與智慧城市建設
    11.2.1  數據隱私保護
    11.2.2  分散式學習能力
    11.2.3  模型個性化和泛化能力

    11.2.4  靈活性和可擴展性
    11.2.5  應對數據不平衡和異構性
  11.3  聯邦學習在智慧城市中的應用場景
    11.3.1  用水量監測與預測
    11.3.2  用電量監測與預測
    11.3.3  自動駕駛計程車服務
    11.3.4  城市環境監測
    11.3.5  公共安全監測
  11.4  未來展望
第12章  總結與展望
  12.1  技術的靈活性和通用性
  12.2  隱私保護和安全性
  12.3  模型性能優化與個性化
  12.4  推動跨領域和跨任務合作
  12.5  標準化進程
參考文獻

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032