دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: نویسندگان: Wei Yang Bryan Lim, Jer Shyuan Ng, Zehui Xiong, Dusit Niyato, Chunyan Miao سری: Wireless Networks ISBN (شابک) : 3031078373, 9783031078378 ناشر: Springer سال نشر: 2022 تعداد صفحات: 174 [175] زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 5 Mb
در صورت تبدیل فایل کتاب Federated Learning Over Wireless Edge Networks به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب یادگیری فدرال از طریق شبکه های لبه بی سیم نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
این کتاب ابتدا آموزشی در مورد یادگیری فدرال (FL) و نقش
آن در فعال کردن هوش لبه بر روی شبکه های لبه بی سیم ارائه می
دهد. این به خوانندگان مقدمه ای مختصر در مورد چالش ها و
رویکردهای پیشرفته در اجرای FL در شبکه لبه بی سیم ارائه می
دهد. سپس، با در نظر گرفتن ناهمگونی منابع در لبه شبکه،
نویسندگان راهحلهای چندوجهی را در تقاطع اقتصاد شبکه، نظریه
بازی، و یادگیری ماشین به منظور بهبود کارایی تخصیص منابع برای
FL بر روی شبکههای لبه بیسیم ارائه میکنند. درک روشنی از
چنین مسائلی و مطالعات نظری ارائه شده به ترتیب به راهنمایی
پزشکان و محققین در پیاده سازی سیستم های FL با منابع کارآمد و
حل مسائل باز در FL کمک می کند.
</ p>
This book first presents a tutorial on Federated
Learning (FL) and its role in enabling Edge Intelligence over
wireless edge networks. This provides readers with a concise
introduction to the challenges and state-of-the-art
approaches towards implementing FL over the wireless edge
network. Then, in consideration of resource heterogeneity at
the network edge, the authors provide multifaceted solutions
at the intersection of network economics, game theory, and
machine learning towards improving the efficiency of resource
allocation for FL over the wireless edge networks. A clear
understanding of such issues and the presented theoretical
studies will serve to guide practitioners and researchers in
implementing resource-efficient FL systems and solving the
open issues in FL respectively.