یادگیری فدرال برای شبکه‌های بی‌سیم هوشمند آینده ۲۰۲۳
Federated Learning for Future Intelligent Wireless Networks 2023

دانلود کتاب یادگیری فدرال برای شبکه‌های بی‌سیم هوشمند آینده ۲۰۲۳ (Federated Learning for Future Intelligent Wireless Networks 2023) با لینک مستقیم و فرمت pdf (پی دی اف)

نویسنده

Yao Sun, Chaoqun You, Gang Feng, Lei Zhang

voucher (1)

۳۰ هزار تومان تخفیف با کد «OFF30» برای اولین خرید

سال انتشار

2023

زبان

English

تعداد صفحه‌ها

320

نوع فایل

epub

حجم

18.7MB

🏷️ قیمت اصلی: 200,000 تومان بود.قیمت فعلی: 129,000 تومان.

🏷️ قیمت اصلی: ۳۷۸٬۰۰۰ تومان بود. قیمت فعلی: ۲۹۸٬۰۰۰ تومان.

📥 دانلود نسخه‌ی اصلی کتاب به زبان انگلیسی(PDF)
🧠 به همراه ترجمه‌ی فارسی با هوش مصنوعی 🔗 مشاهده جزئیات

پیش‌خرید با تحویل فوری(⚡️) | فایل کتاب حداکثر تا ۳۰ دقیقه(🕒) پس از ثبت سفارش آماده دانلود خواهد بود.

دانلود مستقیم PDF

ارسال فایل به ایمیل

پشتیبانی ۲۴ ساعته

توضیحات

معرفی کتاب یادگیری فدرال برای شبکه‌های بی‌سیم هوشمند آینده ۲۰۲۳

یادگیری فدرال برای شبکه‌های بی‌سیم هوشمند آینده

مفاهیم، الگوریتم‌ها و کاربردهای زیربنایی یادگیری فدرال را بررسی کنید

در کتاب یادگیری فدرال برای شبکه‌های بی‌سیم هوشمند آینده، تیمی از محققان برجسته، مجموعه‌ای قوی و روشنگر از منابع را ارائه می‌دهند که مفاهیم و الگوریتم‌های اساسیِ محرک یادگیری فدرال را پوشش می‌دهد، و همچنین توضیح می‌دهد که چگونه می‌توان از آن‌ها در سیستم‌های ارتباط بی‌سیم استفاده کرد. ویراستاران آثاری را گنجانده‌اند که بررسی می‌کنند چگونه تأمین منابع ارتباطی بر عملکرد، دقت، همگرایی، مقیاس‌پذیری، امنیت و حریم خصوصی یادگیری فدرال تأثیر می‌گذارد.

خوانندگان طیف گسترده‌ای از موضوعات را بررسی خواهند کرد که نشان می‌دهند چگونه الگوریتم‌ها، مفاهیم و مسائل طراحی و بهینه‌سازیِ یادگیری فدرال در ارتباطات بی‌سیم کاربرد دارند. خوانندگان همچنین موارد زیر را خواهند یافت:

  • مقدمه‌ای کامل بر مفاهیم و الگوریتم‌های اساسی یادگیری فدرال، از جمله FL افقی، عمودی و ترکیبی
  • بررسی‌های جامع از طراحی و بهینه‌سازی شبکه ارتباط بی‌سیم برای یادگیری فدرال
  • بحث‌های کاربردی در مورد الگوریتم‌ها و چارچوب‌های جدید یادگیری فدرال برای شبکه‌های بی‌سیم آینده
  • مطالعات موردی گسترده در هوش لبه‌ای، رانندگی خودکار، اینترنت اشیا (IoT)، محاسبات لبه‌ای چند دسترسی (MEC)، بلاک‌چین، و ذخیره‌سازی و توزیع محتوا

یادگیری فدرال برای شبکه‌های بی‌سیم هوشمند آینده، برای مهندسان برق و کامپیوتر، محققان، اساتید و دانشجویان تحصیلات تکمیلی علاقه‌مند به یادگیری ماشین ایده‌آل است. همچنین، برای قانون‌گذاران و فعالان نهادی مسئول نظارت و سیاست‌گذاری در حوزه هوش مصنوعی مفید خواهد بود.


فهرست کتاب:

۱. روی جلد

۲. فهرست مطالب

۳. صفحهٔ مربوط به مجموعه

۴. صفحهٔ عنوان

۵. حق تکثیر

۶. دربارهٔ ویراستاران

۷. پیشگفتار

۱ یادگیری فدرال با انتقال غیرقابل اعتماد در سیستم‌های محاسبات لبه‌ای موبایل

۲ یادگیری فدرال با داده‌های غیر مستقل و هم‌توزیع (non-IID) در سیستم‌های محاسبات لبه‌ای موبایل

۳ چه مقدار منابع برای پشتیبانی از شبکه‌های لبه‌ای بی‌سیم مورد نیاز است؟

۴ تخصیص دستگاه مبتنی بر یادگیری تقویتی عمیق فدرال برای برش شبکه‌های دسترسی رادیویی

۵ یادگیری عمیق فدرال مبتنی بر انتقال دانش و حریم خصوصی تفاضلی

۶ مدیریت پرتو مبتنی بر یادگیری فدرال در سیستم‌های ارتباطی موج میلی‌متری متراکم

۷ رویکرد یادگیری فدرال توانمندسازی‌شده توسط بلاک‌چین برای طرح ذخیره‌سازی نظیر به نظیر (D۲D) هوشمند و قابل اعتماد

۸ زمان‌بندی پویا آگاه از ناهمگونی برای یادگیری فدرال لبه‌ای

۹ یادگیری فدرال مقاوم با داده‌های نویزی دنیای واقعی

۱۰ یادگیری فدرال آنالوگ بر فراز هوا: طراحی و تحلیل

۱۱ یادگیری فدرال لبه‌ای برای بازخورد اطلاعات کانال در سیستم‌های MIMO انبوه

۱۲ یادگیری فدرال غیرمتمرکز کاربرمحور برای بازخورد اطلاعات کانال مبتنی بر رمزگذار خودکار

۲۰. نمایه

۲۱. توافق‌نامهٔ مجوز کاربر نهایی

توضیحات(انگلیسی)
Federated Learning for Future Intelligent Wireless Networks

Explore the concepts, algorithms, and applications underlying federated learning

In Federated Learning for Future Intelligent Wireless Networks, a team of distinguished researchers deliver a robust and insightful collection of resources covering the foundational concepts and algorithms powering federated learning, as well as explanations of how they can be used in wireless communication systems. The editors have included works that examine how communication resource provision affects federated learning performance, accuracy, convergence, scalability, and security and privacy.

Readers will explore a wide range of topics that show how federated learning algorithms, concepts, and design and optimization issues apply to wireless communications. Readers will also find:

  • A thorough introduction to the fundamental concepts and algorithms of federated learning, including horizontal, vertical, and hybrid FL
  • Comprehensive explorations of wireless communication network design and optimization for federated learning
  • Practical discussions of novel federated learning algorithms and frameworks for future wireless networks
  • Expansive case studies in edge intelligence, autonomous driving, IoT, MEC, blockchain, and content caching and distribution

Perfect for electrical and computer science engineers, researchers, professors, and postgraduate students with an interest in machine learning, Federated Learning for Future Intelligent Wireless Networks will also benefit regulators and institutional actors responsible for overseeing and making policy in the area of artificial intelligence.


Table of Contents

1. Cover

2. Table of Contents

3. Series Page

4. Title Page

5. Copyright

6. About the Editors

7. Preface

1 Federated Learning with Unreliable Transmission in Mobile Edge Computing Systems

2 Federated Learning with non‐IID data in Mobile Edge Computing Systems

3 How Many Resources Are Needed to Support Wireless Edge Networks

4 Device Association Based on Federated Deep Reinforcement Learning for Radio Access Network Slicing

5 Deep Federated Learning Based on Knowledge Distillation and Differential Privacy

6 Federated Learning‐Based Beam Management in Dense Millimeter Wave Communication Systems

7 Blockchain‐Empowered Federated Learning Approach for An Intelligent and Reliable D2D Caching Scheme

8 Heterogeneity‐Aware Dynamic Scheduling for Federated Edge Learning

9 Robust Federated Learning with Real‐World Noisy Data

10 Analog Over‐the‐Air Federated Learning: Design and Analysis

11 Federated Edge Learning for Massive MIMO CSI Feedback

12 User‐Centric Decentralized Federated Learning for Autoencoder‐Based CSI Feedback

20. Index

21. End User License Agreement

دیگران دریافت کرده‌اند

✨ ضمانت تجربه خوب مطالعه

بازگشت کامل وجه

در صورت مشکل، مبلغ پرداختی بازگردانده می شود.

دانلود پرسرعت

دانلود فایل کتاب با سرعت بالا

ارسال فایل به ایمیل

دانلود مستقیم به همراه ارسال فایل به ایمیل.

پشتیبانی ۲۴ ساعته

با چت آنلاین و پیام‌رسان ها پاسخگو هستیم.

ضمانت کیفیت کتاب

کتاب ها را از منابع معتیر انتخاب می کنیم.