中圖網小程序
一鍵登錄
更方便
本類五星書更多>
-
>
公路車寶典(ZINN的公路車維修與保養秘籍)
-
>
晶體管電路設計(下)
-
>
基于個性化設計策略的智能交通系統關鍵技術
-
>
花樣百出:貴州少數民族圖案填色
-
>
山東教育出版社有限公司技術轉移與技術創新歷史叢書中國高等技術教育的蘇化(1949—1961)以北京地區為中心
-
>
鐵路機車概要.交流傳動內燃.電力機車
-
>
利維坦的道德困境:早期現代政治哲學的問題與脈絡
云邊端融合:終端智能信息處理技術 版權信息
- ISBN：9787121477867
- 條形碼：9787121477867 ; 978-7-121-47786-7
- 裝幀：平塑
- 冊數：暫無
- 重量：暫無
- 所屬分類：>>
云邊端融合:終端智能信息處理技術 內容簡介
隨著物聯網與5G時代的到來，終端設備正產生海量數據與智能信息處理需求，人工智能逐步從云計算中心向終端設備遷移。然而，終端設備計算性能受限、應用場景多樣等特點給終端智能信息處理帶來了巨大挑戰。本書圍繞在算力、能耗受限的終端設備上廣泛部署智能服務的迫切需求，研究云邊端融合的終端智能信息處理關鍵技術。以深度學習為典型智能信息處理方法，依托云邊端融合計算模式，從智能模型訓練與部署著手，重點突破云邊端數據協同傳輸、模型云邊端融合部署、面向場景的模型持續學習等問題，系統介紹面向終端設備的深度神經網絡學習訓練與部署運行方法體系，為實現在性能受限的異構終端設備上提供安全、可靠、高效的智能信息處理服務提供可行路徑。本書所述內容，有望打通以深度學習為代表的優選人工智能方法在終端設備上高效應用的*后一公里，為突破實現"萬物智能”的瓶頸性問題提供技術支撐。
云邊端融合:終端智能信息處理技術 目錄
目 錄
第1章 緒論 001
1.1 終端智能信息處理 002
1.1.1 終端智能信息處理的內涵 002
1.1.2 終端智能信息處理的現實需求 003
1.1.3 終端智能信息處理的挑戰 004
1.2 云邊端融合計算模式 005
1.2.1 云邊端融合計算模式的發展 006
1.2.2 云邊端融合的終端智能信息處理框架 007
1.2.3 云邊端融合計算模式面臨的挑戰 009
1.3 本書關注的問題 011
1.3.1 具體問題分析 011
1.3.2 研究內容與創新點 013
1.4 本書研究的科學意義與實踐價值 017
第2章 終端設備數據傳輸鏈路自主協同選擇 019
2.1 引言 020
2.1.1 問題分析 020
2.1.2 相關工作 022
2.2 系統模型 023
2.3 終端設備鏈路選擇博弈 025
2.3.1 博弈模型構建 025
2.3.2 博弈性質分析 026
2.4 分布式鏈路選擇算法 028
2.4.1 算法設計 028
2.4.2 收斂性分析 032
2.5 實驗評估 033
2.5.1 收斂性 033
2.5.2 性能提升 035
2.5.3 原型系統 039
2.6 本章小結 041
第3章 終端設備數據分布式協同傳輸優化 043
3.1 引言 044
3.1.1 問題分析 044
3.1.2 相關工作 046
3.2 系統模型與問題形式化 048
3.3 自適應分布式優化方法 050
3.3.1 關聯傳輸決策 050
3.3.2 在線分布式調度算法 054
3.3.3 理論分析 057
3.4 實驗評估 059
3.4.1 能耗-效用均衡 060
3.4.2 反饋延遲與采樣大小對性能的影響 061
3.4.3 對信道狀態的適應性 062
3.4.4 終端設備丟失的自適應性 065
3.4.5 性能比較 066
3.4.6 原型系統測試 069
3.5 本章小結 071
第4章 基于深度神經網絡分割的云端協同智能推理 073
4.1 引言 074
4.1.1 問題分析 074
4.1.2 相關工作 077
4.2 預備知識 079
4.2.1 深度神經網絡 079
4.2.2 遷移學習 080
4.2.3 差分隱私準則 080
4.3 云端協同智能推理框架 082
4.3.1 框架概覽 082
4.3.2 端側數據轉換 084
4.3.3 云側噪聲訓練 087
4.4 實驗評估 090
4.4.1 參數選擇 092
4.4.2 數據轉換擾動對性能的影響 093
4.4.3 性能比較 095
4.4.4 隱私保護預算分析 096
4.4.5 原型系統測試 098
4.5 本章小結 099
第5章 面向端側自主智能推理的智能計算模型壓縮 101
5.1 引言 102
5.1.1 問題分析 102
5.1.2 相關工作 105
5.2 基于知識萃取的智能模型壓縮框架 105
5.2.1 框架概覽 106
5.2.2 模型壓縮訓練 107
5.2.3 數據安全隱私保護 110
5.2.4 查詢樣本選取 112
5.3 實驗評估 115
5.3.1 參數對性能的影響 115
5.3.2 安全隱私性能分析 119
5.3.3 模型壓縮性能分析 121
5.4 本章小結 124
第6章 基于聯邦學習的云邊端協同智能模型訓練 125
6.1 引言 126
6.1.1 問題分析 126
6.1.2 相關工作 128
6.2 預備知識 130
6.2.1 聯邦學習 130
6.2.2 動態帶寬和不可靠網絡 131
6.2.3 梯度壓縮 132
6.3 云邊端協同聯邦學習訓練框架 134
6.4 面向動態不可靠網絡的聯邦學習算法 137
6.4.1 算法設計 137
6.4.2 理論分析 140
6.5 實驗評估 141
6.5.1 實驗設置 142
6.5.2 整體性能比較 144
6.5.3 準確性比較 146
6.5.4 通信效率比較 148
6.5.5 通信壓縮率的影響 149
6.5.6 不可靠網絡的影響 151
6.5.7 終端規模的影響 151
6.6 本章小結 152
第7章 基于完全分布式學習的端側智能模型訓練 155
7.1 引言 156
7.1.1 問題分析 156
7.1.2 相關工作 158
7.2 完全分布式智能模型訓練框架 159
7.3 分布式訓練動態控制算法 161
7.3.1 模型構建 161
7.3.2 問題形式化 165
7.3.3 問題求解的近似 167
7.3.4 算法設計 169
7.4 實驗評估 171
7.4.1 整體性能比較 173
7.4.2 準確性比較 174
7.4.3 資源效率比較 175
7.4.4 數據分布的影響 177
7.4.5 資源預算的影響 178
7.4.6 終端移動性的影響 180
7.4.7 終端規模的影響 180
7.4.8 原型系統測試 182
7.5 本章小結 185
附錄A LocalUpdate（ ）函數、FedAvg及C-FedAvg算法 187
A.1 LocalUpdate（ ）函數 188
A.2 FedAvg及C-FedAvg算法 189
附錄B 定理6.1證明 191
附錄C Alpha-GossipSGD中的相關函數 195
C.1 LocalUpdate函數 196
C.2 MNLRS函數 197
C.3 Alpha-Gossip函數 199
參考文獻 202
第1章 緒論 001
1.1 終端智能信息處理 002
1.1.1 終端智能信息處理的內涵 002
1.1.2 終端智能信息處理的現實需求 003
1.1.3 終端智能信息處理的挑戰 004
1.2 云邊端融合計算模式 005
1.2.1 云邊端融合計算模式的發展 006
1.2.2 云邊端融合的終端智能信息處理框架 007
1.2.3 云邊端融合計算模式面臨的挑戰 009
1.3 本書關注的問題 011
1.3.1 具體問題分析 011
1.3.2 研究內容與創新點 013
1.4 本書研究的科學意義與實踐價值 017
第2章 終端設備數據傳輸鏈路自主協同選擇 019
2.1 引言 020
2.1.1 問題分析 020
2.1.2 相關工作 022
2.2 系統模型 023
2.3 終端設備鏈路選擇博弈 025
2.3.1 博弈模型構建 025
2.3.2 博弈性質分析 026
2.4 分布式鏈路選擇算法 028
2.4.1 算法設計 028
2.4.2 收斂性分析 032
2.5 實驗評估 033
2.5.1 收斂性 033
2.5.2 性能提升 035
2.5.3 原型系統 039
2.6 本章小結 041
第3章 終端設備數據分布式協同傳輸優化 043
3.1 引言 044
3.1.1 問題分析 044
3.1.2 相關工作 046
3.2 系統模型與問題形式化 048
3.3 自適應分布式優化方法 050
3.3.1 關聯傳輸決策 050
3.3.2 在線分布式調度算法 054
3.3.3 理論分析 057
3.4 實驗評估 059
3.4.1 能耗-效用均衡 060
3.4.2 反饋延遲與采樣大小對性能的影響 061
3.4.3 對信道狀態的適應性 062
3.4.4 終端設備丟失的自適應性 065
3.4.5 性能比較 066
3.4.6 原型系統測試 069
3.5 本章小結 071
第4章 基于深度神經網絡分割的云端協同智能推理 073
4.1 引言 074
4.1.1 問題分析 074
4.1.2 相關工作 077
4.2 預備知識 079
4.2.1 深度神經網絡 079
4.2.2 遷移學習 080
4.2.3 差分隱私準則 080
4.3 云端協同智能推理框架 082
4.3.1 框架概覽 082
4.3.2 端側數據轉換 084
4.3.3 云側噪聲訓練 087
4.4 實驗評估 090
4.4.1 參數選擇 092
4.4.2 數據轉換擾動對性能的影響 093
4.4.3 性能比較 095
4.4.4 隱私保護預算分析 096
4.4.5 原型系統測試 098
4.5 本章小結 099
第5章 面向端側自主智能推理的智能計算模型壓縮 101
5.1 引言 102
5.1.1 問題分析 102
5.1.2 相關工作 105
5.2 基于知識萃取的智能模型壓縮框架 105
5.2.1 框架概覽 106
5.2.2 模型壓縮訓練 107
5.2.3 數據安全隱私保護 110
5.2.4 查詢樣本選取 112
5.3 實驗評估 115
5.3.1 參數對性能的影響 115
5.3.2 安全隱私性能分析 119
5.3.3 模型壓縮性能分析 121
5.4 本章小結 124
第6章 基于聯邦學習的云邊端協同智能模型訓練 125
6.1 引言 126
6.1.1 問題分析 126
6.1.2 相關工作 128
6.2 預備知識 130
6.2.1 聯邦學習 130
6.2.2 動態帶寬和不可靠網絡 131
6.2.3 梯度壓縮 132
6.3 云邊端協同聯邦學習訓練框架 134
6.4 面向動態不可靠網絡的聯邦學習算法 137
6.4.1 算法設計 137
6.4.2 理論分析 140
6.5 實驗評估 141
6.5.1 實驗設置 142
6.5.2 整體性能比較 144
6.5.3 準確性比較 146
6.5.4 通信效率比較 148
6.5.5 通信壓縮率的影響 149
6.5.6 不可靠網絡的影響 151
6.5.7 終端規模的影響 151
6.6 本章小結 152
第7章 基于完全分布式學習的端側智能模型訓練 155
7.1 引言 156
7.1.1 問題分析 156
7.1.2 相關工作 158
7.2 完全分布式智能模型訓練框架 159
7.3 分布式訓練動態控制算法 161
7.3.1 模型構建 161
7.3.2 問題形式化 165
7.3.3 問題求解的近似 167
7.3.4 算法設計 169
7.4 實驗評估 171
7.4.1 整體性能比較 173
7.4.2 準確性比較 174
7.4.3 資源效率比較 175
7.4.4 數據分布的影響 177
7.4.5 資源預算的影響 178
7.4.6 終端移動性的影響 180
7.4.7 終端規模的影響 180
7.4.8 原型系統測試 182
7.5 本章小結 185
附錄A LocalUpdate（ ）函數、FedAvg及C-FedAvg算法 187
A.1 LocalUpdate（ ）函數 188
A.2 FedAvg及C-FedAvg算法 189
附錄B 定理6.1證明 191
附錄C Alpha-GossipSGD中的相關函數 195
C.1 LocalUpdate函數 196
C.2 MNLRS函數 197
C.3 Alpha-Gossip函數 199
參考文獻 202
展開全部
云邊端融合:終端智能信息處理技術 作者簡介
王吉，2019年6月于國防科技大學獲博士學位，并留校任教，入選中國科協青年人才托舉工程。主要從事人工智能與分布式計算研究，在邊緣計算資源管理、云邊端一體化智能計算等方面取得一系列原創成果。博士學位論文獲中國指揮與控制學會優秀博士學位論文、湖南省優秀博士學位論文。在SIGKDD、AAAI、ACL、IEEE T-PDS、IEEE T-MC、IEEE T-C等人工智能、分布式計算領域國際頂級會議和期刊發表論文30余篇。以第一/通訊作者身份發表中國計算機學會（CCF）推薦A類論文6篇、B類論文3篇，3篇論文進入ESI前10%高引。Google學術總被引用次數1100余次，得到英國皇家工程院院士等多位院士團隊和10余位IEEE/ACM Fellow團隊論文的正面評價，得到三星SDS、百度等產業界人士的高度關注。部分研究成果已在軍委聯參、戰支部隊、阿里云等軍隊和工業部門部署應用，在執行重大任務、演習演訓中發揮重要作用。
書友推薦
- >
自卑與超越
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
- >
朝聞道
- >
月亮虎
- >
莉莉和章魚
- >
小考拉的故事-套裝共3冊
- >
詩經-先民的歌唱
- >
姑媽的寶刀
本類暢銷
