新書推薦：
《
新民说·现实政治史：从马基雅维利到基辛格
》
售價：NT$
454.0
《
宽容是件奢侈品（人生360度·一分钟经典故事）
》
售價：NT$
203.0
《
甲骨拼合六集
》
售價：NT$
1520.0
《
视觉美食家：商业摄影实战与创意解析
》
售價：NT$
602.0
《
中国经济发展的新阶段：机会与选择
》
售價：NT$
454.0
《
DK月季玫瑰百科
》
售價：NT$
959.0
《
为你想要的生活
》
售價：NT$
301.0
《
关键改变：如何实现自我蜕变
》
售價：NT$
352.0
|
| 內容簡介： |
|
随着物联网与5G时代的到来，终端设备正产生海量数据与智能信息处理需求，人工智能逐步从云计算中心向终端设备迁移。然而，终端设备计算性能受限、应用场景多样等特点给终端智能信息处理带来了巨大挑战。本书围绕在算力、能耗受限的终端设备上广泛部署智能服务的迫切需求，研究云边端融合的终端智能信息处理关键技术。以深度学习为典型智能信息处理方法，依托云边端融合计算模式，从智能模型训练与部署着手，重点突破云边端数据协同传输、模型云边端融合部署、面向场景的模型持续学习等问题，系统介绍面向终端设备的深度神经网络学习训练与部署运行方法体系，为实现在性能受限的异构终端设备上提供安全、可靠、高效的智能信息处理服务提供可行路径。本书所述内容，有望打通以深度学习为代表的先进人工智能方法在终端设备上高效应用的最后一公里，为突破实现\万物智能”的瓶颈性问题提供技术支撑。
|
| 關於作者： |
|
王吉，2019年6月于国防科技大学获博士学位，并留校任教，入选中国科协青年人才托举工程。主要从事人工智能与分布式计算研究，在边缘计算资源管理、云边端一体化智能计算等方面取得一系列原创成果。博士学位论文获中国指挥与控制学会优秀博士学位论文、湖南省优秀博士学位论文。在SIGKDD、AAAI、ACL、IEEE T-PDS、IEEE T-MC、IEEE T-C等人工智能、分布式计算领域国际顶级会议和期刊发表论文30余篇。以第一/通讯作者身份发表中国计算机学会（CCF）推荐A类论文6篇、B类论文3篇，3篇论文进入ESI前10%高引。Google学术总被引用次数1100余次，得到英国皇家工程院院士等多位院士团队和10余位IEEE/ACM Fellow团队论文的正面评价，得到三星SDS、百度等产业界人士的高度关注。部分研究成果已在军委联参、战支部队、阿里云等军队和工业部门部署应用，在执行重大任务、演习演训中发挥重要作用。
|
| 目錄：
|
目 录
第1章 绪论001
1.1 终端智能信息处理002
1.1.1 终端智能信息处理的内涵002
1.1.2 终端智能信息处理的现实需求003
1.1.3 终端智能信息处理的挑战004
1.2 云边端融合计算模式005
1.2.1 云边端融合计算模式的发展006
1.2.2 云边端融合的终端智能信息处理框架007
1.2.3 云边端融合计算模式面临的挑战009
1.3 本书关注的问题011
1.3.1 具体问题分析011
1.3.2 研究内容与创新点013
1.4 本书研究的科学意义与实践价值017
第2章 终端设备数据传输链路自主协同选择019
2.1 引言020
2.1.1 问题分析020
2.1.2 相关工作022
2.2 系统模型023
2.3 终端设备链路选择博弈025
2.3.1 博弈模型构建025
2.3.2 博弈性质分析026
2.4 分布式链路选择算法028
2.4.1 算法设计028
2.4.2 收敛性分析032
2.5 实验评估033
2.5.1 收敛性033
2.5.2 性能提升035
2.5.3 原型系统039
2.6 本章小结041
第3章 终端设备数据分布式协同传输优化043
3.1 引言044
3.1.1 问题分析044
3.1.2 相关工作046
3.2 系统模型与问题形式化048
3.3 自适应分布式优化方法050
3.3.1 关联传输决策050
3.3.2 在线分布式调度算法054
3.3.3 理论分析057
3.4 实验评估059
3.4.1 能耗-效用均衡060
3.4.2 反馈延迟与采样大小对性能的影响061
3.4.3 对信道状态的适应性062
3.4.4 终端设备丢失的自适应性065
3.4.5 性能比较066
3.4.6 原型系统测试069
3.5 本章小结071
第4章 基于深度神经网络分割的云端协同智能推理073
4.1 引言074
4.1.1 问题分析074
4.1.2 相关工作077
4.2 预备知识079
4.2.1 深度神经网络079
4.2.2 迁移学习080
4.2.3 差分隐私准则080
4.3 云端协同智能推理框架082
4.3.1 框架概览082
4.3.2 端侧数据转换084
4.3.3 云侧噪声训练087
4.4 实验评估090
4.4.1 参数选择092
4.4.2 数据转换扰动对性能的影响093
4.4.3 性能比较095
4.4.4 隐私保护预算分析096
4.4.5 原型系统测试098
4.5 本章小结099
第5章 面向端侧自主智能推理的智能计算模型压缩101
5.1 引言102
5.1.1 问题分析102
5.1.2 相关工作105
5.2 基于知识萃取的智能模型压缩框架105
5.2.1 框架概览106
5.2.2 模型压缩训练107
5.2.3 数据安全隐私保护110
5.2.4 查询样本选取112
5.3 实验评估115
5.3.1 参数对性能的影响115
5.3.2 安全隐私性能分析119
5.3.3 模型压缩性能分析121
5.4 本章小结124
第6章 基于联邦学习的云边端协同智能模型训练125
6.1 引言126
6.1.1 问题分析126
6.1.2 相关工作128
6.2 预备知识130
6.2.1 联邦学习130
6.2.2 动态带宽和不可靠网络131
6.2.3 梯度压缩132
6.3 云边端协同联邦学习训练框架134
6.4 面向动态不可靠网络的联邦学习算法137
6.4.1 算法设计137
6.4.2 理论分析140
6.5 实验评估141
6.5.1 实验设置142
6.5.2 整体性能比较144
6.5.3 准确性比较146
6.5.4 通信效率比较148
6.5.5 通信压缩率的影响149
6.5.6 不可靠网络的影响151
6.5.7 终端规模的影响151
6.6 本章小结152
第7章 基于完全分布式学习的端侧智能模型训练155
7.1 引言156
7.1.1 问题分析156
7.1.2 相关工作158
7.2 完全分布式智能模型训练框架159
7.3 分布式训练动态控制算法161
7.3.1 模型构建161
7.3.2 问题形式化165
7.3.3 问题求解的近似167
7.3.4 算法设计169
7.4 实验评估171
7.4.1 整体性能比较173
7.4.2 准确性比较174
7.4.3 资源效率比较175
7.4.4 数据分布的影响177
7.4.5 资源预算的影响178
7.4.6 终端移动性的影响180
7.4.7 终端规模的影响180
7.4.8 原型系统测试182
7.5 本章小结185
附录A LocalUpdate（ ）函数、FedAvg及C-FedAvg算法187
A.1 LocalUpdate（ ）函数188
A.2 FedAvg及C-FedAvg算法189
附录B 定理6.1证明191
附录C Alpha-GossipSGD中的相关函数195
C.1 LocalUpdate函数196
C.2 MNLRS函数197
C.3 Alpha-Gossip函数199
参考文献202
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
