| Título : |
Federated Learning for Wireless Networks |
| Tipo de documento: |
documento electrónico |
| Autores: |
Hong, Choong Seon, Autor ; Khan, Latif U., Autor ; Chen, Mingzhe, Autor ; Chen, Dawei, Autor ; Saad, Walid, Autor ; Han, Zhu, Autor |
| Mención de edición: |
1 ed. |
| Editorial: |
Singapore [Malasya] : Springer |
| Fecha de publicación: |
2021 |
| Número de páginas: |
XII, 253 p. 1 ilustraciones |
| ISBN/ISSN/DL: |
978-981-1649639-- |
| Nota general: |
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. |
| Palabras clave: |
Red de computadoras Aprendizaje automático Computación en la nube Redes de comunicación informática |
| Índice Dewey: |
004.6 Ciencia de los computadores (Interfaces y comunicaciones) |
| Resumen: |
Recientemente, los esquemas de aprendizaje automático han recibido una atención significativa como habilitadores clave para los sistemas inalámbricos de próxima generación. Actualmente, los sistemas inalámbricos utilizan principalmente esquemas de aprendizaje automático que se basan en centralizar los procesos de entrenamiento e inferencia migrando los datos de los dispositivos finales a una ubicación centralizada de un tercero. Sin embargo, estos esquemas conducen a una fuga de privacidad en los dispositivos finales. Para abordar estos problemas, se puede utilizar un aprendizaje automático distribuido en el borde de la red. En este contexto, el aprendizaje federado (FL) es uno de los algoritmos de aprendizaje distribuido más importantes, que permite a los dispositivos entrenar un modelo de aprendizaje automático compartido mientras se mantienen los datos localmente. Sin embargo, aplicar FL en redes inalámbricas y optimizar el rendimiento implica una variedad de temas de investigación. Por ejemplo, en FL, el entrenamiento de modelos de aprendizaje automático requiere comunicación entre dispositivos inalámbricos y servidores perimetrales a través de enlaces inalámbricos. Por lo tanto, las deficiencias inalámbricas, como las incertidumbres entre los estados de los canales inalámbricos, la interferencia y el ruido, afectan significativamente el rendimiento de FL. Por otro lado, el aprendizaje por refuerzo federado aprovecha la potencia de cálculo distribuido y los datos para resolver problemas de optimización complejos que surgen en diversos casos de uso, como la alineación de interferencias, la gestión de recursos, la agrupación en clústeres y el control de redes. Tradicionalmente, FL supone que los dispositivos de borde participarán incondicionalmente en las tareas cuando sean invitados, lo que en realidad no es práctico debido al costo de la capacitación del modelo. Como tal, la creación de mecanismos de incentivos es indispensable para las redes de FL. Este libro proporciona una descripción general completa de FL para redes inalámbricas. Se divide en tres partes principales: la primera parte analiza brevemente los fundamentos de FL para redes inalámbricas, mientras que la segunda parte examina exhaustivamente el diseño y análisis de FL inalámbrico, abarcando la optimización de recursos, el mecanismo de incentivos, la seguridad y la privacidad. También presenta varias soluciones basadas en la teoría de la optimización, la teoría de grafos y la teoría de juegos para optimizar el rendimiento del aprendizaje federado en redes inalámbricas. Por último, la tercera parte describe varias aplicaciones de FL en redes inalámbricas. |
| Nota de contenido: |
Part 1 Fundamentals and Background -- 1 Introduction -- 2 Fundamentals of Federated Learning -- Part 2 Wireless Federated Learning: Design and Analysis 3 Resource Optimization for Wireless Federated Learning -- 4 Incentive Mechanisms for Federated Learning -- 5 Security and Privacy -- 6 Unsupervised Federated Learning -- Part 3 Federated Learning Applications in Wireless Networks -- 7 Wireless Virtual Reality -- 8 Vehicular Networks and Autonomous Driving Cars -- 9 Smart Industries and Intelligent Reflecting Surfaces. |
| En línea: |
https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] |
| Link: |
https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i |
Federated Learning for Wireless Networks [documento electrónico] / Hong, Choong Seon, Autor ; Khan, Latif U., Autor ; Chen, Mingzhe, Autor ; Chen, Dawei, Autor ; Saad, Walid, Autor ; Han, Zhu, Autor . - 1 ed. . - Singapore [Malasya] : Springer, 2021 . - XII, 253 p. 1 ilustraciones. ISBN : 978-981-1649639-- Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
| Palabras clave: |
Red de computadoras Aprendizaje automático Computación en la nube Redes de comunicación informática |
| Índice Dewey: |
004.6 Ciencia de los computadores (Interfaces y comunicaciones) |
| Resumen: |
Recientemente, los esquemas de aprendizaje automático han recibido una atención significativa como habilitadores clave para los sistemas inalámbricos de próxima generación. Actualmente, los sistemas inalámbricos utilizan principalmente esquemas de aprendizaje automático que se basan en centralizar los procesos de entrenamiento e inferencia migrando los datos de los dispositivos finales a una ubicación centralizada de un tercero. Sin embargo, estos esquemas conducen a una fuga de privacidad en los dispositivos finales. Para abordar estos problemas, se puede utilizar un aprendizaje automático distribuido en el borde de la red. En este contexto, el aprendizaje federado (FL) es uno de los algoritmos de aprendizaje distribuido más importantes, que permite a los dispositivos entrenar un modelo de aprendizaje automático compartido mientras se mantienen los datos localmente. Sin embargo, aplicar FL en redes inalámbricas y optimizar el rendimiento implica una variedad de temas de investigación. Por ejemplo, en FL, el entrenamiento de modelos de aprendizaje automático requiere comunicación entre dispositivos inalámbricos y servidores perimetrales a través de enlaces inalámbricos. Por lo tanto, las deficiencias inalámbricas, como las incertidumbres entre los estados de los canales inalámbricos, la interferencia y el ruido, afectan significativamente el rendimiento de FL. Por otro lado, el aprendizaje por refuerzo federado aprovecha la potencia de cálculo distribuido y los datos para resolver problemas de optimización complejos que surgen en diversos casos de uso, como la alineación de interferencias, la gestión de recursos, la agrupación en clústeres y el control de redes. Tradicionalmente, FL supone que los dispositivos de borde participarán incondicionalmente en las tareas cuando sean invitados, lo que en realidad no es práctico debido al costo de la capacitación del modelo. Como tal, la creación de mecanismos de incentivos es indispensable para las redes de FL. Este libro proporciona una descripción general completa de FL para redes inalámbricas. Se divide en tres partes principales: la primera parte analiza brevemente los fundamentos de FL para redes inalámbricas, mientras que la segunda parte examina exhaustivamente el diseño y análisis de FL inalámbrico, abarcando la optimización de recursos, el mecanismo de incentivos, la seguridad y la privacidad. También presenta varias soluciones basadas en la teoría de la optimización, la teoría de grafos y la teoría de juegos para optimizar el rendimiento del aprendizaje federado en redes inalámbricas. Por último, la tercera parte describe varias aplicaciones de FL en redes inalámbricas. |
| Nota de contenido: |
Part 1 Fundamentals and Background -- 1 Introduction -- 2 Fundamentals of Federated Learning -- Part 2 Wireless Federated Learning: Design and Analysis 3 Resource Optimization for Wireless Federated Learning -- 4 Incentive Mechanisms for Federated Learning -- 5 Security and Privacy -- 6 Unsupervised Federated Learning -- Part 3 Federated Learning Applications in Wireless Networks -- 7 Wireless Virtual Reality -- 8 Vehicular Networks and Autonomous Driving Cars -- 9 Smart Industries and Intelligent Reflecting Surfaces. |
| En línea: |
https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] |
| Link: |
https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i |
|  |
Hacer una sugerencia Refinar búsqueda
