Federated and Transfer Learning

این کتاب مجموعه‌ای از کارهای تحقیقاتی اخیر در مورد یادگیری از داده‌های غیرمتمرکز، انتقال اطلاعات از یک دامنه به دامنه دیگر، و پرداختن به مسائل نظری در مورد بهبود حریم خصوصی و عوامل تشویقی یادگیری فدرال و همچنین ارتباط آن با انتقال را ارائه می‌کند. یادگیری و یادگیری تقویتی در چند سال اخیر، جامعه یادگیری ماشینی شیفته یادگیری فدرال و انتقالی شده است. انتقال و یادگیری فدرال موفقیت و محبوبیت زیادی در زمینه های مختلف کاربردی کسب کرده است. مخاطبان این کتاب دانشجویان و دانشگاهیان با هدف استفاده از یادگیری فدرال و انتقالی برای حل انواع مشکلات دنیای واقعی و همچنین دانشمندان، محققان و دست اندرکاران صنایع هوش مصنوعی، وسایل نقلیه خودمختار و سیستم های فیزیکی سایبری هستند که مایلند. برای دنبال کردن نوآوری های علمی جدید و به روز رسانی دانش خود در مورد یادگیری فدرال و انتقالی و کاربردهای آنها.

This book provides a collection of recent research works on learning from decentralized data, transferring information from one domain to another, and addressing theoretical issues on improving the privacy and incentive factors of federated learning as well as its connection with transfer learning and reinforcement learning. Over the last few years, the machine learning community has become fascinated by federated and transfer learning. Transfer and federated learning have achieved great success and popularity in many different fields of application. The intended audience of this book is students and academics aiming to apply federated and transfer learning to solve different kinds of real-world problems, as well as scientists, researchers, and practitioners in AI industries, autonomous vehicles, and cyber-physical systems who wish to pursue new scientific innovations and update their knowledge on federated and transfer learning and their applications.