Note :
Il n'y a actuellement aucun avis de lecteur. La note est basée sur 2 votes.
Federated Learning: Privacy and Incentive
Ce livre fournit une introduction complète et autonome à l'apprentissage fédéré, allant des connaissances et théories de base à diverses applications clés.
Les questions de protection de la vie privée et d'incitation sont au cœur de cet ouvrage. Il arrive à point nommé, car l'apprentissage fédéré devient populaire après la publication du règlement général sur la protection des données (RGPD). L'apprentissage fédéré vise à permettre l'apprentissage collaboratif d'un modèle de machine sans que chaque partie n'expose ses données privées à d'autres. Ce paramètre est conforme aux exigences réglementaires en matière de protection de la confidentialité des données, telles que le GDPR.
Ce livre contient trois parties principales. Premièrement, il présente différentes méthodes de préservation de la vie privée pour protéger un modèle d'apprentissage fédéré contre différents types d'attaques telles que la fuite de données et/ou l'empoisonnement de données. Deuxièmement, il présente des mécanismes d'incitation visant à encourager les individus à participer aux écosystèmes d'apprentissage fédéré. Enfin, ce livre décrit également comment l'apprentissage fédéré peut être appliqué dans l'industrie et les entreprises pour résoudre les problèmes de silos de données et de préservation de la vie privée. Ce livre s'adresse aux lecteurs du monde universitaire et de l'industrie qui souhaitent s'informer sur l'apprentissage fédéré, s'exercer à sa mise en œuvre et l'appliquer dans leur propre entreprise. Les lecteurs sont censés avoir une compréhension de base de l'algèbre linéaire, du calcul et des réseaux neuronaux. En outre, des connaissances dans les domaines de la FinTech et du marketing seraient utiles".
© Book1 Group - tous droits réservés.
Le contenu de ce site ne peut être copié ou utilisé, en tout ou en partie, sans l'autorisation écrite du propriétaire.
Dernière modification: 2024.11.14 07:32 (GMT)