新書推薦：
《
从帝国到共和国1299至1938：土耳其的现代化转型之路
》
售價：HK$
439
《
儒学、数术与政治 灾异的政治文化史（第二版） 陈侃理中国古代政治文化重要问题的力作 博雅史学论丛中国
》
售價：HK$
500
《
百病食疗科学搭配饮食 对症食疗调养 花小钱防大病 家庭常备书
》
售價：HK$
245
《
大肠肿瘤的前沿诊疗方法
》
售價：HK$
653
《
历史的谜局
》
售價：HK$
398
《
广府祠堂装饰艺术之资政大夫祠建筑群
》
售價：HK$
653
《
苏格拉底的申辩（罗翔推荐哲学入门读本）
》
售價：HK$
179
《
广西历史地理研究丛书（第二辑）
》
售價：HK$
2142
|
| 內容簡介： |
本书系统阐释联邦学习这一新兴技术的理论与应用。开篇详解联邦学习的背景、发展阶段、模型架构及分类，深入剖析其隐私保护技术与安全挑战。继而探讨联邦学习在移动边缘网络优化、通信成本降低、资源分配策略及激励机制设计等方面的创新应用，揭示其与物联网、区块链、大模型等技术的融合路径。最后，结合通信、金融、医疗、交通等多行业场景，展现联邦学习在网络性能优化、用户行为分析、安全通信等领域的实践价值。
全书兼具理论深度与实践指导，为读者提供从基础原理到行业解决方案的全面参考，助力解决数据隐私、通信效率等核心问题。
本书适合通信行业从业者，人工智能、大数据、云计算领域的研究人员及工程师学习使用，也可用作高等院校相关专业的师生教学用书。
|
| 目錄：
|
第 1 章 联邦学习简介 001～039
1.1 联邦学习的背景 002
1.2 联邦学习技术的发展阶段 004
1.2.1 早期探索阶段 004
1.2.2 技术成熟阶段 004
1.2.3 应用拓展阶段 004
1.3 联邦学习的定义 004
1.4 联邦学习的特点 005
1.5 联邦学习的模型架构及训练过程 006
1.5.1 联邦学习模型架构概述 006
1.5.2 本地模型 006
1.5.3 中央服务器 007
1.5.4 通信网络 007
1.5.5 模型聚合算法 007
1.5.6 训练过程 007
1.5.7 其他模型架构 009
1.6 联邦学习的分类 011
1.6.1 横向联邦学习 011
1.6.2 纵向联邦学习 013
1.6.3 联邦迁移学习 015
1.7 联邦学习的隐私与安全问题 016
1.7.1 隐私问题 016
1.7.2 安全问题 023
1.8 联邦学习的网络协议 029
1.9 联邦学习的应用 032
1.9.1 应用领域 032
1.9.2 应用案例 032
1.10 联邦学习的优势 034
1.11 联邦学习面临的挑战 035
1.11.1 通信效率问题 035
1.11.2 数据倾斜问题 037
1.11.3 系统异构性问题 038
1.11.4 安全与隐私问题 038
1.11.5 激励机制设计问题 039
1.11.6 标准化与互操作性问题 039
第 2 章 联邦学习应用于移动边缘网络 040～064
2.1 移动边缘网络背景 041
2.2 移动边缘网络中的联邦学习 042
2.2.1 分布式机器学习 043
2.2.2 去中心化联邦学习 044
2.2.3 自适应联邦学习 045
2.3 移动边缘网络架构 046
2.3.1 移动边缘网络模型 047
2.3.2 联邦学习的系统模型 050
2.3.3 联邦学习的性能分析 054
2.4 移动边缘网络应用联邦学习的发展 058
2.4.1 移动边缘网络应用联邦学习的优势 058
2.4.2 移动边缘网络应用联邦学习存在的挑战 060
2.4.3 移动边缘网络应用联邦学习的未来发展方向 063
第 3 章 联邦学习对通信成本的优化 065～109
3.1 边缘和终端计算 067
3.1.1 边缘计算的历史与发展 068
3.1.2 边缘计算概述 069
3.1.3 边缘计算的应用场景 070
3.1.4 边缘计算的体系结构 071
3.1.5 边缘计算的关键技术 072
3.1.6 边缘计算的架构 074
3.1.7 边缘计算的分类 078
3.1.8 边缘计算的案例算法 079
3.1.9 边缘和终端计算的优势 091
3.2 模型压缩 094
3.2.1 结构化更新与概略化更新 095
3.2.2 量化权重压缩 096
3.2.3 模型剪枝 097
3.2.4 有损压缩技术在模型压缩中的应用 101
3.2.5 基于模型压缩的优化方法 102
3.3 联邦学习增强隐私安全 105
3.3.1 隐私安全 105
3.3.2 模型更新检测 108
第 4 章 联邦学习中激励机制设计 110～135
4.1 联邦学习中引入激励机制的必要性 111
4.2 激励机制简介 111
4.2.1 激励机制基本概念 111
4.2.2 激励机制常见评价指标 112
4.3 联邦学习中激励机制设计类别 113
4.3.1 同步联邦学习激励机制 113
4.3.2 异步联邦学习激励机制 114
4.4 设计案例分析：异步联邦学习在线激励机制设计 115
4.4.1 系统建模与问题表述 115
4.4.2 在线激励机制设计 122
4.4.3 改进OIMAF 128
4.4.4 仿真分析 130
第 5 章 联邦学习对资源分配的优化 136～148
5.1 网络资源分配模型 137
5.1.1 网络资源分配 137
5.1.2 用户选择 137
5.1.3 分布式学习模型 137
5.1.4 分布式学习模型对网络资源分配的优化作用 139
5.2 联邦学习中的资源分配问题 140
5.2.1 参与者选择 140
5.2.2 无线与计算资源管理 143
5.2.3 适应性聚合 143
5.2.4 激励机制 145
5.3 联邦学习中的资源分配优化 146
5.3.1 单目标优化 146
5.3.2 多目标优化 147
5.3.3 性能分析 148
第 6 章 联邦学习与其他大数据技术的结合 149～170
6.1 联邦学习与物联网 150
6.1.1 物联网技术 150
6.1.2 联邦学习与物联网结合的技术优势 151
6.1.3 联邦学习与物联网结合的系统模型 153
6.1.4 联邦学习与物联网结合的应用场景 160
6.2 联邦学习与区块链 165
6.2.1 区块链技术 165
6.2.2 联邦学习与区块链结合的技术优势 166
6.2.3 联邦学习与区块链结合的应用场景 167
6.3 联邦学习与大模型 168
6.3.1 大模型与面临的挑战 168
6.3.2 联邦学习与大模型训练 169
第 7 章 联邦学习在通信行业中的应用 171～179
7.1 行业背景 172
7.2 联邦学习在通信行业中的应用场景 172
7.2.1 对内服务 172
7.2.2 对外服务 176
7.3 未来展望 179
第 8 章 联邦学习在金融行业中的应用 180～186
8.1 行业背景 181
8.2 联邦学习在金融行业中的应用场景 181
8.2.1 银行业务场景 182
8.2.2 证券业务场景 183
8.2.3 保险业务场景 184
8.2.4 金融监管与执法机构业务场景 185
8.3 未来展望 186
第 9 章 联邦学习在智慧医疗中的应用 187～193
9.1 智慧医疗与大数据应用 188
9.2 联邦学习与智慧医疗结合的应用场景 189
9.2.1 医学影像分析 189
9.2.2 电子健康记录管理 191
9.2.3 疾病预测与监控 192
9.3 联邦学习在智慧医疗中面临的挑战 192
9.3.1 数据异质性 192
9.3.2 隐私泄露和安全性 193
9.3.3 通信成本和效率 193
9.3.4 法规政策要求 193
9.3.5 技术标准化与互操作性 193
第 10 章 联邦学习在智慧交通中的应用 194～202
10.1 行业背景 195
10.2 联邦学习在智慧交通中的应用场景 196
10.2.1 智慧公交 196
10.2.2 智慧地铁 198
10.2.3 智慧铁路 199
10.2.4 智慧高速 200
10.3 未来展望 201
第 11 章 联邦学习在智慧城市中的应用 203～210
11.1 智慧城市 204
11.2 联邦学习与智慧城市建设 205
11.2.1 数据隐私保护 205
11.2.2 分布式学习能力 206
11.2.3 模型个性化和泛化能力 206
11.2.4 灵活性和可扩展性 206
11.2.5 应对数据不平衡和异构性 206
11.3 联邦学习在智慧城市中的应用场景 207
11.3.1 用水量监测与预测 207
11.3.2 用电量监测与预测 208
11.3.3 自动驾驶出租车服务 208
11.3.4 城市环境监测 209
11.3.5 公共安全监测 209
11.4 未来展望 210
第 12 章 总结与展望 211～217
12.1 技术的灵活性和通用性 212
12.2 隐私保护和安全性 213
12.3 模型性能优化与个性化 214
12.4 推动跨领域和跨任务合作 215
12.5 标准化进程 216
参考文献 218
|
| 內容試閱：
|
解决数据孤岛问题是联邦学习技术的重要优势，也是其快速发展的关键所在。联邦学习技术不仅在学术研究中吸引了大量关注，也为互联网行业带来了巨大的使用价值，在金融、医疗、智慧城市、交通等多个领域展现了巨大的应用潜力。但由于联邦学习是一门新兴技术，学术界对其研究还不够全面，仍然面临着诸多挑战，包括通信效率、模型性能、数据异质性、安全隐私等问题，这些问题推动了研究者们从算法设计到实际部署的全方位探索。本书正是在这一背景下应运而生，旨在帮助读者系统地梳理联邦学习的理论基础、关键技术、典型应用及未来发展方向，帮助读者快速了解及掌握该项前沿技术。
本书共分为12章，系统地阐述了联邦学习的相关概念，内容由浅入深，理论知识与实际案例相结合，全面覆盖了联邦学习的基础知识、技术发展与应用场景，适合对联邦学习感兴趣的读者阅读使用。
第1章详细介绍与联邦学习相关的基础知识，包括联邦学习的基本概念、技术发展背景、主要特点及分类情况，同时阐述联邦学习的核心架构、演进阶段、问题与挑战。通过本章的介绍，读者可以快速了解联邦学习的基础概念，为后续的学习打下坚实的基础。
第2章探讨联邦学习与移动边缘网络的结合应用，重点介绍去中心化联邦学习和自适应联邦学习在边缘网络中的应用，阐释联邦学习应用于移动边缘网络的模型架构及优势与挑战。
第3章聚焦联邦学习对通信成本的优化问题，从边缘计算的相关概念出发，探讨减少通信开销的主要方法，同时结合实验对比不同算法的性能分析。
第4章分析联邦学习中的激励机制设计，由于联邦学习需要多个参与者的协同，因此激励机制设计成为实现公平性和高效率的重要手段。本章还分析同步与异步激励机制的不同特点，同时提出一个基于在线激励机制的设计案例，并详细阐述其建模、设计与性能优化过程。
第5章深入探讨贯穿于联邦学习整个生命周期的资源分配问题，提出单目标和多目标的优化策略，并通过性能分析说明其实际效果。
第6章进一步探讨联邦学习与物联网、区块链和大模型技术的深度融合，在分析技术优势的同时提出结合过程中可能面临的挑战和解决思路。
第7至11章分别展示联邦学习在通信、金融、智慧医药、智慧交通、智慧城市等多个行业中的典型应用。通过实际案例的剖析，揭示联邦学习在行业转型与数字化发展中的价值和潜力，同时展望未来发展趋势，为其他领域提供行业发展新思路。
第12章对本书内容进行全面总结，并对推动技术标准化进程及未来研究方向提出了展望。
特别感谢中移数智科技有限公司韩在吉总经理对本书撰写的殷切指导，中移数智科技有限公司的谭振龙、刘伟、李意如、朱鸿睿等同事为本书的编写付出了巨大的努力。另外，李怡同学参编了第1、2章，张龙青副教授参编了第3章，李刚研究员参编了第4章。张杰煊、胡思敏、孟庆蕊、于红德、韩旭、李美锟、鲍恩平、陆籽华、连梓彤、马浩轩、王观涛等同学也参与了部分章节的编写工作，邢晨欣、王晶晶等同学参与了本书的编辑和校对工作。
在编写过程中，我们借鉴了大量学术论文、技术文献以及行业报告，特别感谢国内外在联邦学习领域的学术先锋和行业实践者，他们的研究成果为本书提供了丰富的素材和理论依据。同时，我们还要感谢编辑团队的辛勤付出，他们从书稿组织到细节打磨都提供了宝贵的建议，使本书得以高质量完成。
如果本书能够为读者带来启发，促进联邦学习技术的研究与应用，便是我们最大的荣幸。在此，我们也期待读者的批评指正，以推动联邦学习领域的持续发展。
编著者
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
