Produktbild: Artificial Intelligence Security and Privacy
Band 15399

Artificial Intelligence Security and Privacy Second International Conference, AIS&P 2024, Guangzhou, China, December 6-7, 2024, Proceedings

56,99 €

inkl. gesetzl. MwSt., Versandkostenfrei


Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

18.01.2025

Abbildungen

X, 182 p. 51 illus., 40 illus. in color.

Herausgeber

Fangguo Zhang + weitere

Verlag

Springer Singapore

Seitenzahl

182

Maße (L/B/H)

23,5/15,5/1,1 cm

Gewicht

300 g

Auflage

1. Auflage

Sprache

Englisch

ISBN

978-981-9611-47-8

Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

18.01.2025

Abbildungen

X, 182 p. 51 illus., 40 illus. in color.

Herausgeber

Verlag

Springer Singapore

Seitenzahl

182

Maße (L/B/H)

23,5/15,5/1,1 cm

Gewicht

300 g

Auflage

1. Auflage

Sprache

Englisch

ISBN

978-981-9611-47-8

Herstelleradresse

Springer-Verlag GmbH
Tiergartenstr. 17
69121 Heidelberg
DE

Email: ProductSafety@springernature.com

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: Artificial Intelligence Security and Privacy

  • .- BadHAR: Backdoor Attacks in Federated Human Activity Recognition Systems.



    .- Fully Automated Generation Mechanism of Rootfs for Specified Operating Systems under Linux.



    .- Anti-Side-Channel Attack Mechanisms in Blockchain Payment Channels.



    .- F2L: A Lightweight Focus Layer against Backdoor Attack in Federated Learning.



    .- Intelligent backpack based on ireless mobile technology.



    .- Tourism Industry Upgrading and Public Opinion Prevention Methods Based on BERTopic: A Case Study of Hotel Management.



    .- Privacy-Preserving Covert Channels in VoLTE via Inter-Frame Delay Modulation.



    .- Enhancing Adversarial Robustness in Object Detection via Multi-Task Learning and Class-Aware Adversarial Training.



    .- FedHKD: A Hierarchical Federated Learning Approach Integrating  lustering and Knowledge Distillation for Non-IID Data.



    .- Application of Ensemble Learning Based on High-Dimensional Features in Financial Big Data.



    .- Collaborative Framework for Dynamic Knowledge Updating and Transparent Reasoning with Large Language Models.



    .- Zero-Shot Dense Retrieval based on Query Expansion.



    .- Lightweight Attention-CycleGAN for Nighttime-Daytime Image ransformation.



    .- Generative Image Steganography Based on Latent Space Vector Coding and Diffusion Model.