- 博客(341)
- 收藏
- 关注
RSS订阅原创 一文搞懂“常量指针和指针常量”的区别
C++ 中（pointer to const）和（const pointer）主要区别在于：常量指针：指向的内容不能修改，但指针本身可以修改指针常量：指针本身不能修改，但指向的内容可以修改口诀记忆：const是常量，*是指针const *是常量指针（const在 * 左边）*const是指针常量 （const在 * 右边）
2026-08-07 09:51:13
184
原创 linux入门到精通5：基础IO
而内容在log.txt里面是因为我们打印内容这些printf或者fprint函数只认显示器（原先的1），但是你现在把显示器（原先的1）关了。stdout里面封装的文件描述符数字依然是1，但是内核里面1号下标已经不指向stdout显示器了，而是指向这个新文件。我们前面说过，1对应的物理设备是显示器，但是我们这里把显示器关了，所以内容是无法在显示器上查看的。原先1是指向的stdout（显示器），但是现在指向了和fd相同的文件log.txt。0,1,2对应的物理设备一般是：键盘，显示器，显示器。
2026-03-23 10:55:49
260
原创 linux入门到精通4：进程控制
因为父进程需要知道子进程把任务完成的如何，是成功完成任务还是失败了，任务失败的原因是什么。0表示失败，不同的非0值，比如1，2，3…非正常退出：你考试作弊了，你考的再好（退出码）也没用，直接看终止信号（被考官抓住了）所以exec函数的返回值也是没用的，因为只要替换成功，就不需要旧程序的后续代码了。exec*系列的函数，一旦替换执行新程序，则旧程序的后续代码就没用了（被替换了）则可以看进程退出的时候退出的信号是多少，就可以判断了。非正常退出，退出码就没意义了，直接看操作系统发送的终止信号。
2026-03-05 11:26:30
213
原创 linux入门到精通3：linux进程概念
一个进程变成僵尸进程之后，这个僵尸进程代码和数据不会被访问了，所以代码和数据会被释放掉，但是内核数据结构task_struct会一直维持，直到父进程读取它。看ppid（父进程id）和pid（进程id）可知，进程pid 4308的进程是pid 4327进程的父进程。子进程直接修改父进程创建的值是不行的，万一子进程修改后的值影响了父进程的后续计算会造成难以想象的后果，注：孤儿进程是可以被kill掉的（它和已经死的僵尸进程不一样，它是活的，且在运行的）18号信号表示continue，可以让被暂停的进程继续运行。
2026-03-03 10:42:45
554
原创 linux批量注释小技巧
按ctrl+v可以进入visual block模式（块视图模式）输入I进入插入模式，然后//，然后按ESC，也可以批量注释。ctrl+v进入块视图模式之后，也可以通过hjk来选取。按31+G，可以从当前光标处选中到31行（批量选中）注意，这里是大写的I，需要按shift+i。按I进入插入模式，输入//再按ESC即可完成批量注释。
2026-01-26 09:09:07
106
原创 Linux入门到精通2：Linux环境基础开发工具
你直接退出没有保存，这里面可能会有某个用户曾经保存的数据，你直接q了，数据就丢失了。我们这里做预处理看一下预处理后的文件proj.i，可以看到除了else部分的代码，其他if和elif的代码没有了。如果你选R，也就是recover复原，会有一些数字列表，你可以按照需要来复原某个版本的。可以看到，在proj.c加了V1之后，预处理生成的代码也只保留了if的部分。（注意，必须是普通用户操作，不能是root，并且系统是Centos7）另外，按hjkl可以分别实现对光标的左下上右的移动，这里就不演示了。
2025-12-15 16:37:44
802
原创 从零开始c++精讲：第六篇——Vector
vector是表示可变大小数组的序列容器。就像数组一样，vector也采用的连续存储空间来存储元素。也就是意味着可以采用下标对vector的元素进行访问，和数组一样高效。但是又不像数组，它的大小是可以动态改变的，而且它的大小会被容器自动处理。本质讲，vector使用动态分配数组来存储它的元素。当新元素插入时候，这个数组需要被重新分配大小为了增加存储空间。其做法是，分配一个新的数组，然后将全部元素移到这个数组。就时间而言，这是。
2025-11-04 19:08:54
565
原创 从零开始c++精讲：第五篇——String
C语言中，字符串是以’\0’结尾的一些字符的集合，为了操作方便，C标准库中提供了一些str系列的库函数，但是这些库函数与字符串是分离开的，不太符合OOP的思想，而且底层空间需要用户自己管理，稍不留神可能还会越界访问。在OJ中，有关字符串的题目基本以string类的形式出现，而且在常规工作中，为了简单、方便、快捷，基本都使用string类，很少有人去使用C库中的字符串操作函数。给定一个字符串 s 和一个整数 k，从字符串开头算起，每计数至 2k 个字符，就反转这 2k 字符中的前 k 个字符。
2025-10-29 16:37:21
967
原创 论文学习笔记：Towards Personalized Privacy: User-Governed Data Contribution for Federated Recommendation
在联邦推荐系统（FedRecs）中，标准方法确实假设所有用户都遵循统一的隐私预算，即用户不上传任何原始数据，仅上传模型参数或梯度到服务器。这种方式优先保护用户隐私，确保敏感数据保留在本地。然而，这种统一的隐私预算忽略了用户在隐私偏好上的多样性——并不是所有用户都具有严格的隐私需求，有些用户愿意分享部分数据以获得更准确的推荐结果.本文探索了一种用户管理数据贡献的联合推荐架构，在该架构中，用户可以自由控制是否向服务器共享数据以及共享数据的比例。
2024-11-22 10:45:53
1331
原创 论文学习笔记：Privacy-preserving Cross-domain Recommendation with Federated Graph Learning
然而，正如之前的研究]所指出的那样，这些用户内嵌信息已经编码了用户行为的隐私信息，出于对隐私的考虑，不能直接共享到域外。在本文中，我们提出了一种新颖的，据我们所知，用于隐私保护跨域推荐的联邦图学习方法( PPCDR )，以基于分布式多域数据捕获用户的偏好，并在不泄露隐私的情况下提高所有域的推荐性能。具体来说，对于每个领域，我们通过增加连接全局和本地用户节点(对应全局和本地用户偏好)的链接来构建特定领域的用户-项目交互图，如图1所示，然后设计了一种基于GNNs的联合图学习方法。
2024-11-18 08:43:11
1677
原创 论文学习笔记6：Relation-Aware Heterogeneous Graph Neural Network for Fraud Detection
欺诈检测是金融和社交媒体领域的一项重要数据挖掘任务。传统的机器学习方法仅根据单个节点的特征来预测风险。基于图的方法的最新进展允许考虑相关节点的特征，从而提高了预测的准确性。特别是图神经网络（GNN）在基于图的欺诈检测任务中表现出了很高的性能。然而，由于社交网络的复杂性和异构性，它在性能和效率方面面临着巨大挑战。本文介绍了一种使用关系感知异构图神经网络（RHGNN）模型进行欺诈检测的新方法，该模型能有效处理以异构图表示的复杂输入数据。
2024-09-19 10:55:30
1272
原创 论文学习笔记：Federated Graph Anomaly Detection via Contrastive Self-Supervised Learning
属性图异常检测旨在识别明显偏离大多数正常节点的节点，由于图结构数据在现实世界各种场景中的普遍性和复杂性，这种检测方法受到越来越多的关注。然而，目前主流的异常检测方法主要是针对集中式环境设计的，在某些敏感情况下可能会带来隐私泄露风险。尽管图联邦学习提供了一个很有前景的解决方案，它可以在分布式系统中进行协作模型训练，同时保护数据隐私，但由于每个客户端拥有的图数据量通常有限，因此实际挑战也随之而来。因此，将联合图学习直接应用于分布式环境中的异常检测任务可能会导致性能结果不理想。
2024-09-06 16:48:24
2254
2
原创 助力科研：zotero免费使用Deepl Pro api详细教程！
本文详细讲解了科研工具zotero和它的配套翻译插件的安装，及deepl api的获取
2024-09-04 15:55:01
1064
原创 论文学习笔记：Personalized Federated Graph Learning on Non-IID Electronic Health Records
Personalized Federated Graph Learning On Non-IID Electronic Health Records 论文学习笔记
2024-08-27 16:02:54
1163
原创 论文学习笔记：Federated Heterogeneous Graph Neural Network for Privacy-preserving Recommendation
异构信息网络（HIN）包含丰富的语义信息，这些信息由元路径（meta-paths）描述，已经成为缓解推荐系统中数据稀疏问题的重要工具。然而，现有的基于HIN的推荐系统通常假设数据是集中存储和训练的。但是，在现实世界中，由于隐私问题，数据往往是分布存储的，这导致HIN中的语义破裂问题，并使集中式HIN推荐系统失效。ps：推荐系统中数据稀疏问题比如现有10000个电影数据和10个观众数据，但这10个观众不一定都看过这10000个电影，并且也不是说看过的电影一定会写评价。
2024-07-22 18:24:47
1213
原创 论文学习笔记:Federated Graph Neural Networks: Overview, Techniques, and Challenges
FedGNNs论文综述
2024-07-03 16:34:03
1583
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人