Értékelés:
Jelenleg nincsenek olvasói vélemények. Az értékelés 2 olvasói szavazat alapján történt.
Federated Learning: Privacy and Incentive
Ez a könyv átfogó és önálló bevezetést nyújt a szövetségi tanuláshoz, az alapismeretektől és elméletektől kezdve a különböző kulcsfontosságú alkalmazásokig.
A könyv középpontjában az adatvédelem és az ösztönzés kérdései állnak. Időszerű, mivel a föderált tanulás az általános adatvédelmi rendelet (GDPR) megjelenése után egyre népszerűbbé válik. Mivel a föderált tanulás célja, hogy lehetővé tegye egy gépi modell kollaboratív képzését anélkül, hogy az egyes felek magánadatokat tárnának fel mások számára. Ez a beállítás betartja az adatvédelemmel kapcsolatos szabályozási követelményeket, például a GDPR-t.
Ez a könyv három fő részből áll. Először is, különböző adatvédelmet biztosító módszereket mutat be a szövetségi tanulási modell védelmére a különböző típusú támadások, például az adatszivárgás és/vagy adatmérgezés ellen. Másodszor, a könyv olyan ösztönző mechanizmusokat mutat be, amelyek célja, hogy az egyéneket a szövetségi tanulási ökoszisztémákban való részvételre ösztönözze. Végül, de nem utolsósorban ez a könyv azt is leírja, hogy a föderált tanulás hogyan alkalmazható az iparban és az üzleti életben az adatsiló és az adatvédelemmel kapcsolatos problémák megoldására. A könyvet az akadémiai és ipari olvasóknak egyaránt ajánljuk, akik szeretnék megismerni a föderált tanulást, gyakorolni annak megvalósítását, és alkalmazni saját vállalkozásukban. Az olvasóktól elvárható, hogy rendelkezzenek némi alapismerettel a lineáris algebráról, a számtanról és a neurális hálózatról. Emellett hasznos lenne a FinTech és a marketing területének ismerete.".
