Secure Networked Inference with Unreliable Data Sources

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.