این کتاب جدید، درک عمیقی از یادگیری فدرال ارائه میدهد؛ یک الگوی یادگیری جدید و به طور فزایندهای محبوب که از طریق محاسبات چند جانبه و تجمیع مدل، جمعآوری داده و آموزش مدل را از هم جدا میکند. این اثر بررسی میکند که چگونه یادگیری فدرال، فناوریهای هوش مصنوعی مانند بلاکچین، یادگیری ماشین، اینترنت اشیا، محاسبات لبهای و سیستمهای محاسبات مهی را ادغام میکند و به چندین همکاریکننده امکان میدهد تا با استفاده از یک مجموعه داده بزرگ، یک مدل یادگیری ماشین قوی بسازند. این کتاب، قابلیتها و مزایای یادگیری فدرال را برجسته میکند و به مسائل حیاتی مانند حریم خصوصی دادهها، امنیت دادهها، حقوق دسترسی به دادهها و دسترسی به دادههای ناهمگن میپردازد.
این اثر ابتدا مفاهیم کلی یادگیری ماشین را معرفی میکند و سپس خلاصهای از تنظیمات سیستم یادگیری فدرال و اصطلاحات مرتبط با آن را ارائه میدهد. همچنین، یک طبقهبندی اساسی از FL، کاربرد FL برای سناریوهای مختلف محاسبات توزیعشده، یک دیدگاه یکپارچه از کاربردهای شبکههای تعریفشده توسط نرمافزار و غیره را ارائه میدهد. این کتاب همچنین نقش یادگیری فدرال را در سیستمهای اینترنت اشیا پزشکی بررسی میکند.
این کتاب، یک تجزیه و تحلیل عملگرایانه از استراتژیهای توسعه یک سیستم یادگیری فدرال با بازدهی ارتباطی بالا ارائه میدهد. همچنین، کاربرد بلاکچین با یادگیری فدرال در سیستمهای مبتنی بر اینترنت اشیا را به تفصیل شرح میدهد. این اثر، یک مطالعه عمیق از سیستمهای تشخیص نفوذ مبتنی بر FL ارائه میدهد و طبقهبندی و عملکرد آنها را مورد بحث قرار داده و برتری آنها را نسبت به سیستمهای موجود نشان میدهد.
ویژگی منحصر به فرد این کتاب در این است که جنبههای حریم خصوصی و امنیت در یادگیری فدرال را ارزیابی میکند. این اثر، یک تجزیه و تحلیل جامع از برخی از چالشهای رایج، تهدیدات اثباتشده و استراتژیهای حمله که سیستمهای FL را تحت تاثیر قرار میدهند، ارائه میدهد. پوشش ویژهای نیز بر یادگیری فدرال محافظتشده مبتنی بر شات برای تشخیص حالت چهره ارائه شده است.
این کتاب جامع، “یادگیری فدرال: اصول، الگوها و کاربردها”، محققان، متخصصان فناوری اطلاعات و مهندسان محاسبات توزیعشده را قادر میسازد تا جنبههای مختلف مفاهیم یادگیری فدرال و تکنیکهای محاسباتی برای پیادهسازی در زندگی واقعی را درک کنند.
