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: 1st ed. نویسندگان: Aditya Vempaty, Bhavya Kailkhura, Pramod K. Varshney سری: ISBN (شابک) : 9789811323119 ناشر: Springer Singapore سال نشر: 2018 تعداد صفحات: 219 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 6 مگابایت
کلمات کلیدی مربوط به کتاب استنتاج شبکه ای ایمن با منابع داده غیرقابل اعتماد: علوم کامپیوتر، شبکه های ارتباطی کامپیوتری، امنیت سیستم ها و داده ها، مهندسی ارتباطات، شبکه ها، سیگنال، پردازش تصویر و گفتار، کدگذاری و نظریه اطلاعات، احتمالات و آمار در علوم کامپیوتر
در صورت تبدیل فایل کتاب Secure Networked Inference with Unreliable Data Sources 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 استنتاج شبکه ای ایمن با منابع داده غیرقابل اعتماد 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 تئوری و الگوریتم هایی را برای استنتاج شبکه ای امن در حضور بیزانسی ها ارائه می دهد. این محدودیتهای اساسی استنتاج شبکهای را در حضور دادههای بیزانسی به دست میآورد و استراتژیهای قوی برای اطمینان از عملکرد قابل اعتماد برای چندین معماری شبکه عملی طراحی میکند. به طور خاص، به فرآیندهای استنتاج (یا یادگیری) مانند تشخیص، تخمین یا طبقه بندی، و ساختارهای سیستمی موازی، سلسله مراتبی و کاملاً غیرمتمرکز (همتا به همتا) می پردازد. علاوه بر این، تعدادی از جهتها و اکتشافات جدید را برای مقابله با مشکل پیچیدگی طراحی در این معماریهای شبکه عملی برای استنتاج مورد بحث قرار میدهد.
The book presents theory and algorithms for secure networked inference in the presence of Byzantines. It derives fundamental limits of networked inference in the presence of Byzantine data and designs robust strategies to ensure reliable performance for several practical network architectures. In particular, it addresses inference (or learning) processes such as detection, estimation or classification, and parallel, hierarchical, and fully decentralized (peer-to-peer) system architectures. Furthermore, it discusses a number of new directions and heuristics to tackle the problem of design complexity in these practical network architectures for inference.
Front Matter ....Pages i-xiii
Introduction (Aditya Vempaty, Bhavya Kailkhura, Pramod K. Varshney)....Pages 1-6
Background (Aditya Vempaty, Bhavya Kailkhura, Pramod K. Varshney)....Pages 7-16
Distributed Detection with Unreliable Data Sources (Aditya Vempaty, Bhavya Kailkhura, Pramod K. Varshney)....Pages 17-74
Distributed Estimation and Target Localization (Aditya Vempaty, Bhavya Kailkhura, Pramod K. Varshney)....Pages 75-135
Some Additional Topics on Distributed Inference (Aditya Vempaty, Bhavya Kailkhura, Pramod K. Varshney)....Pages 137-150
Distributed Inference with Unreliable Data: Some Unconventional Directions (Aditya Vempaty, Bhavya Kailkhura, Pramod K. Varshney)....Pages 151-184
Back Matter ....Pages 185-208