新書推薦：
《
无用知识的有用性（科学的进步，在于人类不断探寻“山的另一侧”的风景）
》
售價：HK$
194
《
量价狙击：精准捕捉股市机会（新时代·投资新趋势）
》
售價：HK$
403
《
万有引力书系 万川毕汇：世界环境史国际名家讲座
》
售價：HK$
449
《
企业可持续发展/ESG工作实用手册
》
售價：HK$
235
《
卧榻之侧：赵匡胤、李煜和他们的时代
》
售價：HK$
408
《
HR数智化转型：人机协同与共生
》
售價：HK$
367
《
范怨武讲透中医基础理论（全2册，中医临床医生范怨武历经四年精心创作）
》
售價：HK$
551
《
怪诞行为学·漫画版——战胜拖延症
》
售價：HK$
194
|
| 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 001～0391.1联邦学习的背景0021.2联邦学习技术的发展阶段0041.2.1 早期探索阶段0041.2.2 技术成熟阶段0041.2.3 应用拓展阶段0041.3联邦学习的定义0041.4联邦学习的特点0051.5联邦学习的模型架构及训练过程0061.5.1 联邦学习模型架构概述0061.5.2 本地模型0061.5.3 中央服务器0071.5.4 通信网络0071.5.5 模型聚合算法0071.5.6 训练过程0071.5.7 其他模型架构0091.6联邦学习的分类0111.6.1 横向联邦学习0111.6.2 纵向联邦学习0131.6.3 联邦迁移学习0151.7联邦学习的隐私与安全问题0161.7.1 隐私问题0161.7.2 安全问题0231.8联邦学习的网络协议0291.9联邦学习的应用0321.9.1 应用领域0321.9.2 应用案例0321.10联邦学习的优势0341.11联邦学习面临的挑战0351.11.1 通信效率问题0351.11.2 数据倾斜问题0371.11.3 系统异构性问题0381.11.4 安全与隐私问题0381.11.5 激励机制设计问题0391.11.6 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 040～0642.1移动边缘网络背景0412.2移动边缘网络中的联邦学习0422.2.1 分布式机器学习0432.2.2 去中心化联邦学习0442.2.3 自适应联邦学习0452.3移动边缘网络架构0462.3.1 移动边缘网络模型0472.3.2 联邦学习的系统模型0502.3.3 联邦学习的性能分析0542.4移动边缘网络应用联邦学习的发展0582.4.1 移动边缘网络应用联邦学习的优势0582.4.2 移动边缘网络应用联邦学习存在的挑战0602.4.3 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 065～1093.1边缘和终端计算0673.1.1 边缘计算的历史与发展0683.1.2 边缘计算概述0693.1.3 边缘计算的应用场景0703.1.4 边缘计算的体系结构0713.1.5 边缘计算的关键技术0723.1.6 边缘计算的架构0743.1.7 边缘计算的分类0783.1.8 边缘计算的案例算法0793.1.9 边缘和终端计算的优势0913.2模型压缩0943.2.1 结构化更新与概略化更新0953.2.2 量化权重压缩0963.2.3 模型剪枝0973.2.4 有损压缩技术在模型压缩中的应用1013.2.5 基于模型压缩的优化方法1023.3联邦学习增强隐私安全1053.3.1 隐私安全1053.3.2 模型更新检测108第 4 章 联邦学习中激励机制设计 110～1354.1联邦学习中引入激励机制的必要性1114.2激励机制简介1114.2.1 激励机制基本概念1114.2.2 激励机制常见评价指标1124.3联邦学习中激励机制设计类别1134.3.1 同步联邦学习激励机制1134.3.2 异步联邦学习激励机制1144.4设计案例分析：异步联邦学习在线激励机制设计1154.4.1 系统建模与问题表述1154.4.2 在线激励机制设计1224.4.3 改进OIMAF1284.4.4 仿真分析130第 5 章 联邦学习对资源分配的优化 136～1485.1网络资源分配模型1375.1.1 网络资源分配1375.1.2 用户选择1375.1.3 分布式学习模型1375.1.4 分布式学习模型对网络资源分配的优化作用1395.2联邦学习中的资源分配问题1405.2.1 参与者选择1405.2.2 无线与计算资源管理1435.2.3 适应性聚合1435.2.4 激励机制1455.3联邦学习中的资源分配优化1465.3.1 单目标优化1465.3.2 多目标优化1475.3.3 性能分析148第 6 章 联邦学习与其他大数据技术的结合 149～1706.1联邦学习与物联网1506.1.1 物联网技术1506.1.2 联邦学习与物联网结合的技术优势1516.1.3 联邦学习与物联网结合的系统模型1536.1.4 联邦学习与物联网结合的应用场景1606.2联邦学习与区块链1656.2.1 区块链技术1656.2.2 联邦学习与区块链结合的技术优势1666.2.3 联邦学习与区块链结合的应用场景1676.3联邦学习与大模型1686.3.1 大模型与面临的挑战1686.3.2 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 171～1797.1行业背景1727.2联邦学习在通信行业中的应用场景1727.2.1 对内服务1727.2.2 对外服务1767.3未来展望179第 8 章 联邦学习在金融行业中的应用 180～1868.1行业背景1818.2联邦学习在金融行业中的应用场景1818.2.1 银行业务场景1828.2.2 证券业务场景1838.2.3 保险业务场景1848.2.4 金融监管与执法机构业务场景1858.3未来展望186第 9 章 联邦学习在智慧医疗中的应用 187～1939.1智慧医疗与大数据应用1889.2联邦学习与智慧医疗结合的应用场景1899.2.1 医学影像分析1899.2.2 电子健康记录管理1919.2.3 疾病预测与监控1929.3联邦学习在智慧医疗中面临的挑战1929.3.1 数据异质性1929.3.2 隐私泄露和安全性1939.3.3 通信成本和效率1939.3.4 法规政策要求1939.3.5 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 194～20210.1行业背景19510.2联邦学习在智慧交通中的应用场景19610.2.1 智慧公交19610.2.2 智慧地铁19810.2.3 智慧铁路19910.2.4 智慧高速20010.3未来展望201第 11 章 联邦学习在智慧城市中的应用 203～21011.1智慧城市20411.2联邦学习与智慧城市建设20511.2.1 数据隐私保护20511.2.2 分布式学习能力20611.2.3 模型个性化和泛化能力20611.2.4 灵活性和可扩展性20611.2.5 应对数据不平衡和异构性20611.3联邦学习在智慧城市中的应用场景20711.3.1 用水量监测与预测20711.3.2 用电量监测与预测20811.3.3 自动驾驶出租车服务20811.3.4 城市环境监测20911.3.5 公共安全监测20911.4未来展望210第 12 章 总结与展望 211～21712.1技术的灵活性和通用性21212.2隐私保护和安全性21312.3模型性能优化与个性化21412.4推动跨领域和跨任务合作21512.5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
