Muutke küpsiste eelistusi

E-raamat: Federated Learning in the Age of Foundation Models - FL 2024 International Workshops: FL@FM-WWW 2024, Singapore, May 14, 2024; FL@FM-ICME 2024, Niagara Falls, ON, Canada, July 15, 2024; FL@FM-IJCAI 2024, Jeju Island, South Korea, August 5, 2024; and FL@FM-NeurIPS 2024, Vancouver, BC, Canada, December 15, 2024, Revised Selected Pa

Edited by , Edited by , Edited by , Edited by , Edited by
Teised raamatud teemal:
  • Formaat - PDF+DRM
  • Hind: 61,74 €*
  • * hind on lõplik, st. muud allahindlused enam ei rakendu
  • Lisa ostukorvi
  • Lisa soovinimekirja
  • See e-raamat on mõeldud ainult isiklikuks kasutamiseks. E-raamatuid ei saa tagastada.
Teised raamatud teemal:

DRM piirangud

  • Kopeerimine (copy/paste):

    ei ole lubatud

  • Printimine:

    ei ole lubatud

  • Kasutamine:

    Digitaalõiguste kaitse (DRM)
    Kirjastus on väljastanud selle e-raamatu krüpteeritud kujul, mis tähendab, et selle lugemiseks peate installeerima spetsiaalse tarkvara. Samuti peate looma endale  Adobe ID Rohkem infot siin. E-raamatut saab lugeda 1 kasutaja ning alla laadida kuni 6'de seadmesse (kõik autoriseeritud sama Adobe ID-ga).

    Vajalik tarkvara
    Mobiilsetes seadmetes (telefon või tahvelarvuti) lugemiseks peate installeerima selle tasuta rakenduse: PocketBook Reader (iOS / Android)

    PC või Mac seadmes lugemiseks peate installima Adobe Digital Editionsi (Seeon tasuta rakendus spetsiaalselt e-raamatute lugemiseks. Seda ei tohi segamini ajada Adober Reader'iga, mis tõenäoliselt on juba teie arvutisse installeeritud )

    Seda e-raamatut ei saa lugeda Amazon Kindle's. 

This LNAI volume constitutes the post proceedings of International Federated Learning Workshops such as follows:





FL@FM-WWW 2024, FL@FM-ICME 2024, FL@FM-IJCAI 2024 and FL@FM-NeurIPS 2024. This LNAI volume focuses on the following topics:





Efficient Model Adaptation and Personalization, Data Heterogeneity and Incomplete Data, Integration of Specialized Neural Architectures, Frameworks and Tools for Federated Learning, Applications in Domain-Specific Contexts, Unsupervised and Lightweight Learning, and Causal Discovery and Black-Box Optimization.