Split Federated Learning for Secure IoT Applications
Lingua: inglese
Editore: Institution of Engineering and Technology, GB, 2024
- Rilegato
- Nuovo
Da: Rarewaves USA United, HEBRON, KY, U.S.A.Rarewaves USA United
Venditore AbeBooks dal 20 giugno 2025
Condizione: Nuovo
EUR 148,38
Quantità: Più di 20 disponibili
Aggiungi al carrelloDescrizione dell’articolo da parte del venditore
New approaches in federated learning and split learning have the potential to significantly improve ubiquitous intelligence in internet of things (IoT) applications. In split federated learning, the machine learning model is divided into smaller network segments, with each segment trained independently on a server using distributed local client data. The split learning method mitigates two fundamental drawbacks of federated learning: affordability, and privacy and security. When running machine learning computation on devices with limited resources, assigning only a portion of the network to train at the client-side minimizes the processing burden, compared to running a complete network as in federated learning. In addition, neither client nor server has full access to the other, which is more secure. This book reviews cutting edge technologies and advanced research in split federated learning. Coverage includes approaches to realizing and evaluating the effectiveness and advantages of federated learning and split-fed learning, the role of this technology in advancing and securing IoTs, advanced research on emerging AI models for preserving the privacy of the data owned by the clients, and the analysis and development of AI mechanisms in IoT architectures and applications. The use of split federated learning in natural language processing, recommendation systems, healthcare systems, emotion detection, smart agriculture, smart transportation and smart cities is discussed. Split Federated Learning for Secure IoT Applications: Concepts, frameworks, applications and case studies offers useful insights to the latest developments in the field for researchers, engineers and scientists in academia and industry, who are working in computing, AI, data science and cybersecurity with a focus on federated learning, machine learning and deep learning.…
Codice articolo LU-9781839539459
- Titolo
- Split Federated Learning for Secure IoT Applications
- Autore
- Hong Lin, N.Z. Jhanjhi, Geetabai S. Hukkeri, Gururaj Harinahalli Lokesh
- Editore
- Institution of Engineering and Technology, GB
- Anno di pubblicazione
- 2024
- Condizione
- New
- Rilegatura
- Hardback
- Lingua
- inglese
- ISBN 10
- 1839539453
- ISBN 13
- 9781839539459
- Peso dell'articolo
- 581 grammi
- Dimensioni
- 15.6 x 1.75 x 23.39 cm
New approaches in federated learning and split learning have the potential to significantly improve ubiquitous intelligence in internet of things (IoT) applications. In split federated learning, the machine learning model is divided into smaller network segments, with each segment trained independently on a server using distributed local client data.
The split learning method mitigates two fundamental drawbacks of federated learning: affordability, and privacy and security. When running machine learning computation on devices with limited resources, assigning only a portion of the network to train at the client-side minimizes the processing burden, compared to running a complete network as in federated learning. In addition, neither client nor server has full access to the other, which is more secure.
This book reviews cutting edge technologies and advanced research in split federated learning. Coverage includes approaches to realizing and evaluating the effectiveness and advantages of federated learning and split-fed learning, the role of this technology in advancing and securing IoTs, advanced research on emerging AI models for preserving the privacy of the data owned by the clients, and the analysis and development of AI mechanisms in IoT architectures and applications. The use of split federated learning in natural language processing, recommendation systems, healthcare systems, emotion detection, smart agriculture, smart transportation and smart cities is discussed.
Split Federated Learning for Secure IoT Applications: Concepts, frameworks, applications and case studies offers useful insights to the latest developments in the field for researchers, engineers and scientists in academia and industry, who are working in computing, AI, data science and cybersecurity with a focus on federated learning, machine learning and deep learning.
"Riassunto" può appartenere a un’altra edizione di questo titolo.
Rarewaves USA United
HEBRON, KY, U.S.A.
Venditore AbeBooks dal 20 giugno 2025
Tariffe di spedizione nazionale per U.S.A.
| Articolo | Da 30 a 30 giorni lavorativi | Da 14 a 14 giorni lavorativi |
|---|---|---|
| Primo articolo | EUR 44,44 | EUR 59,54 |
Metodi di pagamento
Informazioni sull’azienda del venditore
Rarewaves USA
10100 West Sample Road, Ste 101
Coral Springs, FL U.S.A. 33065
Diritto di recesso
Se sei un consumatore puoi recedere dal contratto in conformità con quanto segue. Per Consumatore si intende qualsiasi persona fisica che agisce per scopi estranei alla propria attività commerciale, imprenditoriale, artigianale o professionale.
Informazioni sul diritto di recesso
Diritto legale di recesso
Hai il diritto di recedere dal presente contratto entro 14 giorni senza fornire alcuna motivazione.
Il periodo di recesso scade dopo 14 giorni dal giorno in cui tu o una terza parte, diversa dal vettore e da te indicata, acquisisce il possesso fisico dell'ultimo bene o dell'ultimo lotto o pezzo.
Per esercitare il diritto di recesso, compila e invia elettronicamente una dichiarazione esplicita sul nostro sito Web, alla voce “I miei acquisti” nella sezione “Mio account”. Ti comunicheremo senza indugio una conferma di ricezione di tale recesso su un supporto durevole (ad es. via e-mail).
Per rispettare il termine di recesso, è sufficiente inviare la comunicazione relativa all'esercizio del diritto di recesso prima della scadenza del periodo di recesso stesso.
Effetti del recesso
In caso di recesso dal presente contratto, ti rimborseremo tutti i pagamenti ricevuti, compresi i costi di spedizione (ad eccezione dei costi supplementari derivanti dalla tua eventuale scelta di un tipo di spedizione diverso dal tipo meno costoso di consegna standard da noi offerto).
Potremo effettuare una detrazione dal rimborso per la perdita di valore dei beni forniti, qualora tale perdita sia il risultato di una manipolazione non necessaria da parte tua.
Eseguiremo il rimborso senza indebito ritardo e non oltre 14 giorni dal giorno in cui saremo informati della tua decisione di recedere dal presente contratto.
Il rimborso sarà effettuato utilizzando lo stesso mezzo di pagamento da te usato per la transazione iniziale, salvo che tu non abbia espressamente concordato altrimenti; in ogni caso, non dovrai sostenere alcun costo quale conseguenza di tale rimborso.
Possiamo trattenere il rimborso finché non avremo ricevuto i beni oppure finché non avrai fornito la prova di averli rispediti, a seconda di quale condizione si verifichi per prima.
Dovrai rispedire i beni o consegnarli a Rarewaves USA United, Coral Springs, Florida, U.S.A., senza indebito ritardo e, in ogni caso, entro 14 giorni dal giorno in cui ci hai comunicato la tua volontà di recedere dal presente contratto. Il termine è rispettato se rispedisci i beni prima della scadenza del periodo di 14 giorni. I costi diretti della restituzione dei beni saranno a tuo carico. Sei responsabile solo della diminuzione del valore dei beni risultante da una manipolazione diversa da quella necessaria per stabilire la natura, le caratteristiche e il funzionamento dei beni stessi.
Eccezioni al diritto di recesso
Il diritto di recesso non si applica a:
- La fornitura di giornali, periodici o riviste ad eccezione dei contratti di abbonamento; e
- La fornitura di contenuto digitale non fornito su un supporto materiale (ad es. su un CD o DVD), se al momento dell'invio dell'ordine hai accettato l'inizio dell'esecuzione e hai riconosciuto che non avresti potuto recedere una volta iniziata l'esecuzione.
Condizioni di spedizione
Please note that we do not offer Priority shipping to any country.
We currently do not ship to the below countries:
Afghanistan
Bhutan
Brazil
Brunei Darussalam
Channel Islands
Chile
Israel
Lao
Mexico
Russian Federation
Saudi Arabia
South Africa
Yemen
Please do not attempt to place orders with any of these countries as a ship to address - they will be cancelled.