CT:混沌理论,喜欢用k值临近算法
AHP:应用命中率
表示在查找NE上设备请求的应用程序时命中的百分比。
下面开始联邦学习的讲解
联邦学习的定义:是一种机器学习设定,其中许多客户机(例如,移动设备或整个组织)在中央服务器(例如,服务器提供商)的协调下共同训练模型,同时保持训练数据的去中心化。
联邦学习的长期目标:在不暴露数据的情况下分析和学习多个数据拥有者的数据。(解决数据孤岛)
2018年谷歌学习的社区提出的。
联邦学习的定义
很多客户端,在中央服务器的协调下,共同训练一个模型,而且需要一些数据,在客户端中保持去中心化的离散性质。
咱们平时训练模型的时候,都是在单机上训练的,但是我们现在做的是,结合不同客户端的一个数据,但是7有保证数据之间,相互不连通,保证多个客户端数据集的模型训练。
联邦学习的深入
孤岛现象:用户每时每刻都会产生数据,数据只是单独的保存在本地,因为包含隐私性。刚打开软件有个协议,这协议中都会包含隐私性保护的协议。所以,联邦学习在数据不共享的情况下,