Datensatz Zitierlink: 
http://hdl.handle.net/20.500.12708/196499
-
Titel: 
Towards FAIR Data in Distributed Machine Learning Systems
en
Zitat: 
Mou, Y., Guo, F., Lu, W., Li, Y., Beyan, O., Rose, T., Dustdar, S., & Decker, S. (2023). Towards FAIR Data in Distributed Machine Learning Systems. In GLOBECOM 2323 - 2023 IEEE Global Communications Conference (pp. 6450–6455). IEEE. https://doi.org/10.1109/GLOBECOM54140.2023.10437414
-
Verlags-DOI: 
10.1109/GLOBECOM54140.2023.10437414
-
Publikationstyp: 
Konferenzbeitrag - Full-Paper Contribution
de
Sprache: 
Englisch
-
Autor_innen: 
Mou, Yongli 
Guo, Fengyang 
Lu, Wei 
Li, Yongzhao 
Beyan, Oya 
Rose, Thomas 
Dustdar, Schahram 
Decker, Stefan 
-
Organisations­einheit: 
E194-02 - Forschungsbereich Distributed Systems 
-
Erschienen in: 
GLOBECOM 2323 - 2023 IEEE Global Communications Conference 
-
ISBN: 
979-8-3503-1090-0
-
DOI des Buches: 
10.1109/GLOBECOM54140.2023
-
Datum (veröffentlicht): 
2023
-
Veranstaltungs­name: 
IEEE Global Communications Conference (GLOBECOM 2023) 
en
Veranstaltungs­zeitraum: 
4-Dez-2023 - 8-Dez-2023
-
Veranstaltungs­ort: 
Kuala Lumpur, Malaysia
-
Umfang: 
6
-
Verlag: 
IEEE
-
Peer Reviewed: 
Ja
-
Keywords: 
distributed machine learning; FAIR data principles; federated learning
en
Projekt (extern): 
German Research Foundation DFG project NFDI4Health
German Ministry for Research and Education BMBF project WestAI
-
Projektnummer: 
grant no. 442326535
grant no. 01IS22094D
-
Forschungs­schwerpunkte: 
Information Systems Engineering: 100%
-
Wissenschafts­zweig: 
1020 - Informatik: 100%
-
Enthalten in den Sammlungen:
Conference Paper

Zur Langanzeige

Seiten Aufrufe

179
aufgerufen am 09.04.2024

Download(s)

20
aufgerufen am 09.04.2024

Google ScholarTM

Check