یادگیری فدرال برای ارتباطات هوشمند با استفاده از کاربردهای اینترنت اشیا ۲۰۲۴
Federated Learning for Smart Communication using IoT Application 2024

این کتاب، اثربخشی یادگیری فدرال را در سیستم‌های اطلاعاتی با عملکرد بالا و راهکارهای مبتنی بر انفورماتیک برای پاسخگویی به نیازهای فعلی پشتیبانی اطلاعاتی نشان می‌دهد. کتاب *یادگیری فدرال برای ارتباطات هوشمند با استفاده از کاربردهای اینترنت اشیا (IoT)*، با هدف رفع چالش‌های ناهمگونی در بستر اینترنت اشیا (IoT)، به تحلیل توسعه الگوریتم‌های یادگیری فدرال شخصی‌سازی‌شده می‌پردازد که قادر به کاهش پیامدهای مخرب ناهمگونی در ابعاد مختلف هستند. این کتاب شامل مطالعات موردی در زمینه تشخیص فعالیت‌های انسانی مبتنی بر اینترنت اشیا (IoT) است تا کارایی یادگیری فدرال شخصی‌سازی‌شده را برای کاربردهای هوشمند اینترنت اشیا (IoT) نشان دهد.

ویژگی‌ها:

* نشان می‌دهد که چگونه یادگیری فدرال رویکردی نوین برای ساخت مدل‌های شخصی‌سازی‌شده از داده‌ها بدون نقض حریم خصوصی کاربران ارائه می‌دهد.
* شرح می‌دهد که چگونه یادگیری فدرال می‌تواند در درک و یادگیری از رفتار کاربر در کاربردهای اینترنت اشیا (IoT) ضمن حفاظت از حریم خصوصی کاربر، کمک کند.
* ارائه یک تحلیل دقیق از تحقیقات جاری در مورد یادگیری فدرال، و فراهم کردن یک درک گسترده از این حوزه برای خواننده.
* تحلیل نیاز به یک چارچوب یادگیری فدرال شخصی‌سازی‌شده در معماری ابری-مرزی و بی‌سیم-مرزی برای کاربردهای هوشمند اینترنت اشیا (IoT).
* شامل تصاویر و مثال‌های واقعی از موارد استفاده برای کمک به تثبیت درک مطالب ارائه شده در هر فصل.

این کتاب به همه کسانی که به الگوریتم‌های هوشمند مبتنی بر یادگیری فدرال برای ارتباطات هوشمند علاقه‌مند هستند، توصیه می‌شود.

The effectiveness of federated learning in high‐performance information systems and informatics‐based solutions for addressing current information support requirements is demonstrated in this book. To address heterogeneity challenges in Internet of Things (IoT) contexts, Federated Learning for Smart Communication using IoT Application analyses the development of personalized federated learning algorithms capable of mitigating the detrimental consequences of heterogeneity in several dimensions. It includes case studies of IoT‐based human activity recognition to show the efficacy of personalized federated learning for intelligent IoT applications.

Features:

• Demonstrates how federated learning offers a novel approach to building personalized models from data without invading users’ privacy
• Describes how federated learning may assist in understanding and learning from user behavior in IoT applications while safeguarding user privacy
• Presents a detailed analysis of current research on federated learning, providing the reader with a broad understanding of the area
• Analyses the need for a personalized federated learning framework in cloud‐edge and wireless‐edge architecture for intelligent IoT applications
• Comprises real‐life case illustrations and examples to help consolidate understanding of topics presented in each chapter

This book is recommended for anyone interested in federated learning‐based intelligent algorithms for smart communications.