Federated Learning / Yang, Qiang ; Fan, Lixin ; Yu, Han  

Público ISBD Ningún comentario para este título. Título : Federated Learning : Privacy and Incentive Tipo de documento: documento electrónico Autores: Yang, Qiang, ; Fan, Lixin, ; Yu, Han, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2020 Número de páginas: X, 286 p. 94 ilustraciones, 82 ilustraciones en color. ISBN/ISSN/DL: 978-3-030-63076-8 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Idioma : Inglés (eng) Palabras clave: Inteligencia artificial  Protección de datos  Red de computadoras  Ciencias sociales  Software de la aplicacion  Seguridad de datos e información  Redes de comunicación informática  Aplicación informática en ciencias sociales y del comportamiento.  Aplicaciones informáticas y de sistemas de información Clasificación: 006.3 Resumen: Este libro proporciona una introducción completa e independiente al aprendizaje federado, que abarca desde los conocimientos y teorías básicos hasta diversas aplicaciones clave, y los factores de privacidad e incentivos son el foco de todo el libro. Este libro es necesario en el momento oportuno, ya que el aprendizaje federado se está volviendo popular después de la publicación del Reglamento general de protección de datos (GDPR). El aprendizaje federado tiene como objetivo permitir que un modelo de máquina se entrene de forma colaborativa sin que cada parte exponga datos privados a otros. Esta configuración cumple con los requisitos reglamentarios de protección de la privacidad de datos, como el RGPD. Este libro contiene tres partes principales. En primer lugar, introduce diferentes métodos de preservación de la privacidad para proteger un modelo de aprendizaje federado contra diferentes tipos de ataques, como fuga de datos y/o envenenamiento de datos. En segundo lugar, el libro presenta mecanismos de incentivos que tienen como objetivo alentar a las personas a participar en los ecosistemas de aprendizaje federado. Por último, pero no menos importante, este libro también describe cómo se puede aplicar el aprendizaje federado en la industria y los negocios para abordar los problemas de preservación de la privacidad y los silos de datos. El libro está dirigido a lectores tanto del mundo académico como de la industria que deseen aprender el aprendizaje federado desde cero, practicar su implementación y aplicarlo en su propio negocio. Se espera que los lectores tengan algunos conocimientos básicos de álgebra lineal, cálculo y redes neuronales. Además, se prefieren conocimientos de dominio en FinTech y marketing. Nota de contenido: Privacy -- Threats to Federated Learning -- Rethinking Gradients Safety in Federated Learning -- Rethinking Privacy Preserving Deep Learning: How to Evaluate and Thwart Privacy Attacks -- Task-Agnostic Privacy-Preserving Representation Learning via Federated Learning -- Large-Scale Kernel Method for Vertical Federated Learning -- Towards Byzantine-resilient Federated Learning via Group-wise Robust Aggregation -- Federated Soft Gradient Boosting Machine for Streaming Data -- Dealing with Label Quality Disparity In Federated Learning -- Incentive -- FedCoin: A Peer-to-Peer Payment System for Federated Learning -- Efficient and Fair Data Valuation for Horizontal Federated Learning -- A Principled Approach to Data Valuation for Federated Learning -- A Gamified Research Tool for Incentive Mechanism Design in Federated Learning -- Budget-bounded Incentives for Federated Learning -- Collaborative Fairness in Federated Learning -- A Game-Theoretic Framework for Incentive Mechanism Design in Federated Learning -- Applications -- Federated Recommendation Systems -- Federated Learning for Open Banking -- Building ICU In-hospital Mortality Prediction Model with Federated Learning -- Privacy-preserving Stacking with Application to Cross-organizational Diabetes Prediction. . Tipo de medio : Computadora Summary : This book provides a comprehensive and self-contained introduction to Federated Learning, ranging from the basic knowledge and theories to various key applications, and the privacy and incentive factors are the focus of the whole book. This book is timely needed since Federated Learning is getting popular after the release of the General Data Protection Regulation (GDPR). As Federated Learning aims to enable a machine model to be collaboratively trained without each party exposing private data to others. This setting adheres to regulatory requirements of data privacy protection such as GDPR. This book contains three main parts. First, it introduces different privacy-preserving methods for protecting a Federated Learning model against different types of attacks such as Data Leakage and/or Data Poisoning. Second, the book presents incentive mechanisms which aim to encourage individuals to participate in the Federated Learning ecosystems. Last but not the least, this book also describeshow Federated Learning can be applied in industry and business to address data silo and privacy-preserving problems. The book is intended for readers from both academia and industries, who would like to learn federated learning from scratch, practice its implementation, and apply it in their own business. Readers are expected to have some basic understanding of linear algebra, calculus, and neural network. Additionally, domain knowledge in FinTech and marketing are preferred. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Federated Learning : Privacy and Incentive [documento electrónico] / Yang, Qiang, ; Fan, Lixin, ; Yu, Han,  . -  1 ed.  . - [s.l.] : Springer, 2020 . - X, 286 p. 94 ilustraciones, 82 ilustraciones en color. ISBN : 978-3-030-63076-8 Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Idioma : Inglés (eng) Palabras clave: Inteligencia artificial  Protección de datos  Red de computadoras  Ciencias sociales  Software de la aplicacion  Seguridad de datos e información  Redes de comunicación informática  Aplicación informática en ciencias sociales y del comportamiento.  Aplicaciones informáticas y de sistemas de información Clasificación: 006.3 Resumen: Este libro proporciona una introducción completa e independiente al aprendizaje federado, que abarca desde los conocimientos y teorías básicos hasta diversas aplicaciones clave, y los factores de privacidad e incentivos son el foco de todo el libro. Este libro es necesario en el momento oportuno, ya que el aprendizaje federado se está volviendo popular después de la publicación del Reglamento general de protección de datos (GDPR). El aprendizaje federado tiene como objetivo permitir que un modelo de máquina se entrene de forma colaborativa sin que cada parte exponga datos privados a otros. Esta configuración cumple con los requisitos reglamentarios de protección de la privacidad de datos, como el RGPD. Este libro contiene tres partes principales. En primer lugar, introduce diferentes métodos de preservación de la privacidad para proteger un modelo de aprendizaje federado contra diferentes tipos de ataques, como fuga de datos y/o envenenamiento de datos. En segundo lugar, el libro presenta mecanismos de incentivos que tienen como objetivo alentar a las personas a participar en los ecosistemas de aprendizaje federado. Por último, pero no menos importante, este libro también describe cómo se puede aplicar el aprendizaje federado en la industria y los negocios para abordar los problemas de preservación de la privacidad y los silos de datos. El libro está dirigido a lectores tanto del mundo académico como de la industria que deseen aprender el aprendizaje federado desde cero, practicar su implementación y aplicarlo en su propio negocio. Se espera que los lectores tengan algunos conocimientos básicos de álgebra lineal, cálculo y redes neuronales. Además, se prefieren conocimientos de dominio en FinTech y marketing. Nota de contenido: Privacy -- Threats to Federated Learning -- Rethinking Gradients Safety in Federated Learning -- Rethinking Privacy Preserving Deep Learning: How to Evaluate and Thwart Privacy Attacks -- Task-Agnostic Privacy-Preserving Representation Learning via Federated Learning -- Large-Scale Kernel Method for Vertical Federated Learning -- Towards Byzantine-resilient Federated Learning via Group-wise Robust Aggregation -- Federated Soft Gradient Boosting Machine for Streaming Data -- Dealing with Label Quality Disparity In Federated Learning -- Incentive -- FedCoin: A Peer-to-Peer Payment System for Federated Learning -- Efficient and Fair Data Valuation for Horizontal Federated Learning -- A Principled Approach to Data Valuation for Federated Learning -- A Gamified Research Tool for Incentive Mechanism Design in Federated Learning -- Budget-bounded Incentives for Federated Learning -- Collaborative Fairness in Federated Learning -- A Game-Theoretic Framework for Incentive Mechanism Design in Federated Learning -- Applications -- Federated Recommendation Systems -- Federated Learning for Open Banking -- Building ICU In-hospital Mortality Prediction Model with Federated Learning -- Privacy-preserving Stacking with Application to Cross-organizational Diabetes Prediction. . Tipo de medio : Computadora Summary : This book provides a comprehensive and self-contained introduction to Federated Learning, ranging from the basic knowledge and theories to various key applications, and the privacy and incentive factors are the focus of the whole book. This book is timely needed since Federated Learning is getting popular after the release of the General Data Protection Regulation (GDPR). As Federated Learning aims to enable a machine model to be collaboratively trained without each party exposing private data to others. This setting adheres to regulatory requirements of data privacy protection such as GDPR. This book contains three main parts. First, it introduces different privacy-preserving methods for protecting a Federated Learning model against different types of attacks such as Data Leakage and/or Data Poisoning. Second, the book presents incentive mechanisms which aim to encourage individuals to participate in the Federated Learning ecosystems. Last but not the least, this book also describeshow Federated Learning can be applied in industry and business to address data silo and privacy-preserving problems. The book is intended for readers from both academia and industries, who would like to learn federated learning from scratch, practice its implementation, and apply it in their own business. Readers are expected to have some basic understanding of linear algebra, calculus, and neural network. Additionally, domain knowledge in FinTech and marketing are preferred. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]

---

1 (1 - 1 / 1) Ver por página : 25 50 100 200