furoto_的博客

提出FairMove系统，解决电动租赁车辆在充电过程中的挑战，可以有效地提高EFHV车队的利润效率。

考虑状态不稳定的鲁棒多智能体强化学习。将问题建模为MG-SPA问题，并提出了基于Q学习的RMAQ算法和面向高维的RMAAC算法

智能手机和物联网设备生成的数据量不断增加，推动了联邦学习 (FL) 的发展，联邦学习是一种用于机器学习模型的设备上协作训练的框架。FL 的最初工作重点是学习在客户端之间具有良好平均性能的单个全局模型，但由于本地数据分布固有的异质性，全局模型对于给定客户端可能会任意糟糕。联合多任务学习（MTL）方法可以通过制定适当的惩罚优化问题来学习个性化模型。惩罚项可以捕获个性化模型之间的复杂关系，但回避有关本地数据分布的明确统计假设。

对联邦学习算法个性化程度的研究表明，只有最大化全局模型的性能才会限制局部模型的个性化能力。在本文中，我们提倡自适应个性化联合学习（APFL）算法，其中每个客户端将训练其本地模型，同时为全局模型做出贡献。我们推导出局部模型和全局模型混合的泛化界限，并找到最佳混合参数。我们还提出了一种有效通信的优化方法来协作学习个性化模型并分析其在平滑强凸和非凸设置中的收敛性。大量的实验证明了我们的个性化模式的有效性，以及已建立的泛化理论的正确性。

The Aggregation–Heterogeneity Trade-off in Federated Learning

研究一个算法收敛性的意义

cnn+opencv+pyrhon识别车牌

matlab 使用svm提取图像

matlab中libsvm的安装