• Produktbild: Trustworthy Federated Learning
  • Produktbild: Trustworthy Federated Learning
Band 13448

Trustworthy Federated Learning First International Workshop, FL 2022, Held in Conjunction with IJCAI 2022, Vienna, Austria, July 23, 2022, Revised Selected Papers

53,99 €

inkl. gesetzl. MwSt., Versandkostenfrei


Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

29.03.2023

Abbildungen

X, 159 p. 53 illus., 49 illus. in color.

Herausgeber

Randy Goebel + weitere

Verlag

Springer

Seitenzahl

159

Maße (L/B/H)

23,5/15,5/1 cm

Gewicht

271 g

Auflage

1st ed. 2023

Sprache

Englisch

ISBN

978-3-031-28995-8

Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

29.03.2023

Abbildungen

X, 159 p. 53 illus., 49 illus. in color.

Herausgeber

Verlag

Springer

Seitenzahl

159

Maße (L/B/H)

23,5/15,5/1 cm

Gewicht

271 g

Auflage

1st ed. 2023

Sprache

Englisch

ISBN

978-3-031-28995-8

Herstelleradresse

Springer-Verlag KG
Sachsenplatz 4-6
1201 Wien
AT

Email: ProductSafety@springernature.com

Ein neues Kapitel für Ihre Bücher

Ein neues Kapitel für Ihre Bücher

Schenken Sie Ihren alten Schätzen ein zweites Leben und erhalten dafür eine Thalia Geschenkkarte.

Jetzt verkaufen
Jetzt verkaufen

Noch keine Bewertungen vorhanden

Verfassen Sie die erste Bewertung zu diesem Artikel

Helfen Sie anderen Kundinnen und Kunden durch Ihre Meinung.

Kundinnen und Kunden meinen

Bewertungen (0)

  • Produktbild: Trustworthy Federated Learning
  • Produktbild: Trustworthy Federated Learning
  • Adaptive Expert Models for Personalization in Federated Learning.- Federated Learning with GAN-based Data Synthesis for Non-iid Clients.- Practical and Secure Federated Recommendation with Personalized Mask.- A General Theory for Client Sampling in Federated Learning.- Decentralized adaptive clustering of deep nets is beneficial for client collaboration.- Sketch to Skip and Select: Communication Efficient Federated Learning using Locality Sensitive Hashing.- Fast Server Learning Rate Tuning for Coded Federated Dropout.- FedAUXfdp: Differentially Private One-Shot Federated Distillation.- Secure forward aggregation for vertical federated neural network.- Two-phased Federated Learning with Clustering and Personalization for Natural Gas Load Forecasting.- Privacy-Preserving Federated Cross-Domain Social Recommendation.