强化学习、联邦学习等知识

最新推荐文章于 2024-04-13 17:50:52 发布
最新推荐文章于 2024-04-13 17:50:52 发布
阅读量770 收藏 2
点赞数
分类专栏： 算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_35076836/article/details/115213563
版权

强化学习

智能体 状态 行为 奖励 策略
马尔可夫决策系数

状态
动作
状态转移概率
奖励函数
折扣系数

价值函数- 衡量某一状态 或状态-动作对的 累计奖励的期望
策略：已知状态下的

bellman方程

联邦学习

01 金融小数据与隐私保护的挑战 数据不动 模型动
*法律-案例
*金融-反洗钱
*医疗-医疗影像

小数据：迁移学习 数据孤岛：联邦学习

数据隐私保护

特殊的分布式机器学习

按样本分割（横向联邦学习） 特征方面重叠-

step 1:本地建模：wi
step 2:在本地对模型wi加密||wi||
step 3:上传 本地加密的模型||wi||
step 4: 整合
step 5:下传w到各个终端
step 6:各自本地，利用w对wi更新

（纵向联邦学习） 用户方面聚合

联邦迁移学习

半诚实 恶意 零知识 一些知识
恶意中心 恶意数据节点

面临的挑战： 模型攻击，数据攻击
利益分配

安全性：梯度推断用户数据性质。
鲁棒性：拜占庭将军问题（攻击：干扰学习，防御：server check） 问题：数据不是独立同分布

强仔fight
关注
专栏目录
联邦学习(Federated Learning) 原理与代码实例讲解
AI天才研究院
07-09 971
联邦学习(Federated Learning) - 原理与代码实例讲解 作者：禅与计算机程序设计艺术 / Zen and the Art of Computer Programming 关键词：联邦学习、隐私保护、分布式机器学习、数据孤岛、合作学习
强化学习Reinforcement Learning在自动化控制系统中的运用
最新发布
AI天才研究院
07-28 272
强化学习Reinforcement Learning在自动化控制系统中的运用 作者：禅与计算机程序设计艺术 / Zen and the Art of Computer Programming 1. 背景介绍
联邦强化学习
武天旭的博客
03-24 8506
一、联邦强化学习介绍 强化学习（RL）是机器学习的一个分支，主要研究序列决策问题，强化学习系统通常由一个动态环境和与环境进行交互的一个或多个智能体（agent）组成。智能体根据当前环境条件选择动作决策，环境在智能体决策的影响下发生相应改变，智能体可以根据自身的决策以及环境的改变过程得出奖励。 对于智能体的周期，智能体首先会观察环境的状态，然后基于这个状态选择动作，同时智能体期望根据所选的动作从环境中得到奖励，智能体的奖励与其上一步的状态、下一步状态和所做出的决策等因素有关。因此，智能体会在【状态-动作-奖励
强化学习、联邦学习、图神经网络，飞桨全新工具组件详解
喜欢打酱油的老鸟
12-06 1595
2019-12-05 14:55:36 机器之心发布机器之心编辑部 11 月 5 日，在 Wave Summit+2019 秋季深度学习开发者峰会上，飞桨全新发布和重要升级了最新的 21 项进展，在深度学习开发者社区引起了巨大的反响。 很多未到场的开发者觉得遗憾，希望可以了解飞桨发布会背后的更多技术细节，因此我们特别策划了一个系列稿件，分别从核心框架、基础模型库、端到端开发套件、工具组...
干扰管理学习日志9-------强化学习_联邦学习_功率分配
taiyuezyh的博客
12-22 822
本篇文章作者通过强化、联邦学习方法，联合优化小区功率分配，以达到更高的通信速率和更强的泛化性能。具体而言，对于不同场景下的功率分配任务，作者首先使用强化学习方法改进功率分配方案，提升信道容量。之后，又通过联邦学习将个模型参数进行融合，以达到更好的泛化性能，使得全局模型在不同场景中都有着较为优异的收敛速度。
[学习记录-1]联邦学习知识
01-06
文献总结了联邦学习系统的特点和分类。 机器学习算法需要大量数据，单组织数据无法训练高质量模型。由于政策法规（数据保护条例）限制，不同组织的数据隔离，形成数据孤岛（data islands），无法简单共享数据。保护...
联邦学习——用data-free知识蒸馏处理Non-IID
联邦学习小白
07-18 5751
《Data-Free Knowledge Distillation for Heterogeneous Federated Learning》 最近出现了利用知识蒸馏来解决FL中的用户异构性问题的想法，具体是通过使用来自异构用户的聚合知识来优化全局模型，而不是直接聚合用户的模型参数。然而，这种方法依赖于proxy dataset，如果没有这proxy dataset，该方法便是不切实际的。此外，集成知识没有被充分利用来指导局部模型的训练，这可能反过来影响聚集模型的性能。 基于上述挑战，这篇文章提出了一种da
纵向联邦学习：
maoguan121的博客
10-28 807
随着全球相关法规的密集发布，包括欧盟 GDPR，美国 CCPA，国内的《网络安全法》,以及今年发 布的《数据安全法（草案）》、《个人信息保护法（草案）》，合规性成为了企业数据安全建设与治理 的重要驱动力。法规对企业数字化、信息化转型出了更高更严的数据安全要求⸺既要满足自身业务 的数据安全需求，同时又要遵守合规性要求。不断强化的法规给新技术带来新的机遇与需求，近年来， 数据安全领域新技术不断涌现，比如同态加密、安全多方计算、联邦学习，差分隐私等；也促进与其他 领域技术的融合与应用，比如知识图谱，流程自动化等。
数据安全前言技术研究联邦学习
m0_73803866的博客
10-28 731
随着全球相关法规的密集发布，包括欧盟 GDPR，美国 CCPA，国内的《网络安全法》,以及今年发 布的《数据安全法（草案）》、《个人信息保护法（草案）》，合规性成为了企业数据安全建设与治理 的重要驱动力。法规对企业数字化、信息化转型出了更高更严的数据安全要求⸺既要满足自身业务 的数据安全需求，同时又要遵守合规性要求。不断强化的法规给新技术带来新的机遇与需求，近年来， 数据安全领域新技术不断涌现，比如同态加密、安全多方计算、联邦学习，差分隐私等；也促进与其他 领域技术的融合与应用，比如知识图谱，流程自动化等。
学习笔记（6):大数据视频_Hadoop视频教程（上）-三大发行版本
weixin_42822325的博客
12-01 87
课程特点：1、全程案例贯穿始终，几乎每个知识点都有配套的案例；2、整个框架深入源码讲解；3、优化措施全部来源于企业开发；4、Hadoop相关企业真题全覆盖。本课程中你将学习到，Hadoop完全分布式集群搭建、Hadoop源码编译、HDFS的Shell操作、HDFS的API操作、HDFS的IO流操作、HDFS读写数据流程、NameNode和SecondaryNameNode工作机制、Dat...
“具有分布式能源资源的多个智能家庭的能源管理的联邦强化学习”文章学习三——基于联邦深度学习的多智能家居能源管理
ahah12345678的博客
11-17 333
对于AC，给定状态SAC包括电价、室外温度和室内温度（如4所示），AC代理通过最大化Rt AC（如8所示）来决定AC的最优能耗调度[即，动作Et AC（7）]，该函数为负电价和与室内温度相关的消费者舒适成本的之和。对于ESS，给定状态SESS包括电价、SOE和预测的PV发电量（如6所示），ESS代理通过最大化Rt ESS（如10所示）来计算ESS的最优充放电调度[即，动作Et ESS（7）]，该函数为负电价和与ESS过充电和欠充电相关的可靠运行成本的之和。3）具有可中断负载的可调度设备（ESS）。
终生联邦强化学习：云机器人导航系统的学习架构
Asber的博客
11-14 1646
概要——如何让机器人迁移学习经验即用到前人的知识并且快速适应新环境的问题呢？我们提出了LFRL-Lifelong Federated Reinforcement Learning这一个云机器人导航系统的学习框架。我们提出了知识融合算法来升级云端共享模型，以及LFRL中高效的迁移学习方法。LFRL与人类认知学的观点一致，并且在云机器人系统中表现良好。实验证明，LFRL大大提高了机器人导航中强化学习的...
基于联邦强化学习的集群机器人协同导航
Moresweet 猫甜
03-17 1926
在收集24个激光传感器读数后，将读数归一化到[0,1]之间，并将归一化读数反向，以便当障碍物接近机器人时，归一化传感器读数接近1，从而进行更有效的神经网络训练。由于群居昆虫能够集体完成单个个体无法完成的具有挑战性的任务，因此群体机器人系统有望在动态复杂环境下完成单个机器人难以完成的具有挑战性的任务。在原论文中，SEDDPG的优点是通过共享可以鼓励探索，从而更快收敛和更好的性能。在模拟评价实验中，每个agent在训练阶段使用4个训练模型，在20次以上的环境中平均4个agent的表现，计算出成功率和完成时间。
纵向联邦学习
热门推荐
武天旭的博客
03-16 1万+
一、纵向联邦学习的定义 纵向联邦学习（VFL）一般是适用于数据集上具有相同的样本空间、不同的特征空间的参与方所组成的联邦学习场景，纵向联邦学习也可以理解为按特征划分的联邦学习。 举个例子，我们假设有两家公司A和B想要协同地训练一个机器学习模型，每一家公司都拥有各自的数据。例如保险公司与银行合作，根据同一用户的购买历史与消费习惯，为该用户提供定制化的服务；医院与制药公司合作，通过利用同类患者的医疗记录，从而治疗患者的慢性疾病，并降低患者未来住院治疗的风险。
【纵向联邦】学习
qq_39736373的博客
07-20 1172
介绍差分隐私的基本和在业界的应用。
强化学习中的联邦学习与分布式优化
AGI通用人工智能之禅
04-13 1265
强化学习中的联邦学习与分布式优化 1. 背景介绍 在当今日新月异的技术发展环境下，人工智能已经渗透到我们生活的方方面面。其中，强化学习作为一种重要的机器学习范式，凭借其独特的学习机制和优秀的性能,在众多应用场景中展现了强大的实力。与此同时,随着数据隐私和安全问题日益凸显,传统的集中式机器学
强化学习论文分析5---多基站_强化学习_联邦学习_计算卸载
taiyuezyh的博客
11-21 1502
为了更好地将AI服务应用于通信网络之中，作者建议在每个基站处配置MEC服务器作为辅助。在此情景下，就产生了用户端计算卸载的分配方案选择问题。本文中，作者提出了一种基于多代理联合强化学习的计算卸载算法，有助于整个通信网络运行更为高效。此外，考虑到部分场景无法支持联合强化学习的信令开销，作者还提出了基于联邦学习的计算卸载算法。两种方法均优于常规算法，联合强化学习方案产生更大的信令开销，同时也具有更好的性能。联邦学习方法是对于联合强化学习方法的弱化，旨在用更少的信令，达到优于常规的效果。
强化学习reinforcement learning
weixin_46791639的博客
10-24 627
强化学习入门到精通 提示：我会不定期更新我的所有文章，我会把我学习过程中觉得不错的内容不定时添加进去，希望大家可以收藏，或许每次看到更新的内容都有不同的理解。我会发布（深度学习&强化学习&深度强化学习&联邦学习的内容） 第一章 强化学习基本概念 文章目录强化学习入门到精通前言一、强化学习基本内容1. 强化学习结构图2. 基本概念二、已知模型&未知模型1.已知模型总结 前言 强化学习又称为再励学习或评价学习，采用类似于人类和动物学习中的试错机制，通过不断获取外部环境的反
联邦学习基础与应用探索
欧洲的GDPR（通用数据保护条例）等法规进一步强化了对个人数据保护的要求，联邦学习应运而生，作为一种能够协同学习但不共享原始数据的方法，为这些问题提供了新的解决思路。 第二章介绍了联邦学习的基本概念，它是...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值