LG-FedAvg略读

最新推荐文章于 2025-02-05 02:27:36 发布
最新推荐文章于 2025-02-05 02:27:36 发布
阅读量1.7k 收藏 2
点赞数 1
分类专栏： federated learning deeplearning
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_38241346/article/details/110643014
版权

Think Locally, Act Globally:Federated Learning with Local and Global Representations略读

在这里插入图片描述

最大的贡献：

server为part（后面）模型，只做汇总，不做训练。

client节点分成前后两个part，前后区分以server为区分点，只需要将后部分的parameter传给server（communication cost变少）
具体算法见下图：
在这里插入图片描述

程序员的自我修养-略读
weixin_50470247的博客
02-22 769
​ ②读取可执行文件头，创建虚拟地址空间与可执行文件的关系，具体的，运行时缺页，然后通过页中断，将页表中对应磁盘中可执行文件的部分装载进内存，由linux内存管理实现，也是传统的装载。​ 共享库的版本，xxxx.X.Y.Z: X表示主版本，不同主板本的库不兼容，Y表示次版本，添加新的API（接口），Z表示发布版本号（修bug，性能改进）​ **段地址对齐，**页的单位大小为4KB，将segment邻接区域的一个页，通过两次映射到虚拟地址的两个页，实现内存空间的充分利用。
RAPPOR: Randomized Aggregatable Privacy-PreservingOrdinal Response略读
MewGul的博客
07-29 4469
RAPPOR 算法基础 用户将数据进行扰动后发送给收集者，在进行后续的各种操作 首先将字符串通过布隆过滤器用h个哈希函数进行处理（这里用了4个，所欲B有4位置1），得到B，随后将B通过随机响应函数获得永久随机响应B’,将永远存储在用户的设备中。每当数据收集者请求数据时，客户机对B’再次进行扰动获得临时随即响应S，S将发送给收集者（每次询问同一数据获得的响应都不完全相同） 永久随机响应的规则 f是用户可调的一个概率，来控制隐私水平。例图中中f=0.5（f越大越随机） 临时随机响应 获得B’后对其进行随机响
分布式学习新篇章：LG-FedAvg——本地与全局表示的联邦学习
gitblog_00002的博客
06-08 630
分布式学习新篇章：LG-FedAvg——本地与全局表示的联邦学习 LG-FedAvg[NeurIPS 2019 FL workshop] Federated Learning with Local and Global Representations项目地址:https://gitcode.com/gh_mirrors/lg/LG-FedAvg 在这个数据隐私日益受到重视的时代，LG-FedAv...
LG-Fedavg
f_t_l的博客
08-09 491
on each device: for learning useful and compact features from raw data (看不懂，这一点在论文里没有体现)减小了服务器和客户端之间的通信开销(没仔细看)通过个性化模型解决non-i.i.d问题 （参考）
LG-FedAvg：基于局部与全局表示的联邦学习
gitblog_01016的博客
08-20 610
LG-FedAvg：基于局部与全局表示的联邦学习 LG-FedAvg[NeurIPS 2019 FL workshop] Federated Learning with Local and Global Representations项目地址:https://gitcode.com/gh_mirrors/lg/LG-FedAvg 项目介绍 LG-FedAvg 是一个在NeurIPS 2019联邦...
LG-FedAvg 开源项目使用教程
gitblog_00890的博客
08-20 301
LG-FedAvg 开源项目使用教程 LG-FedAvg[NeurIPS 2019 FL workshop] Federated Learning with Local and Global Representations项目地址:https://gitcode.com/gh_mirrors/lg/LG-FedAvg 1. 项目的目录结构及介绍 LG-FedAvg 项目的目录结构如下： LG-F...
【联邦学习新手必看】手把手教你读懂FedAvg代码，并顺利运行
wuxusanren的博客
06-14 8169
联邦学习小白，怎样快速跑通经典的FedAvg算法呢？小葵花妈妈开课了
【联邦学习】FedAvg代码结构解读
LeungSr的博客
10-24 1084
在这篇文章《联邦学习：FedAvg代码结构解读》中，我们将对项目文件夹的结构进行全面分析。文章主要介绍了各个文件之间的相互引用关系以及它们各自的作用，帮助读者建立对项目总体结构的清晰认识。值得注意的是，本文不深入探讨算法的具体实现，而是着重于提供一个高层次的概述，适合对联邦学习和FedAvg有兴趣的读者。通过这篇文章，您将更好地理解该项目的组成部分及其功能。
Vul-RAG: Enhancing LLM-based Vulnerability Detection via Knowledge-level RAG 论文略读
最新发布
qq_19300283的博客
02-05 500
别的方法图示, 左边是没有RAG, 中间是“Code-based”, 也就是只给LLM相关代码, 右边是Vul-RAG(不给代码, 但是给自然语言描述)index的构建是LLM来提取的, index是自然语言描述的(1)函数语义(2)漏洞成因(3)漏洞补丁差别[也就是原文说的“多维”]用的就是BM25, 和简单的Reranking, 没什么特别的, 检索函数语义的自然语言描述。别的结果: 检索出来的信息能作为高质量解释。一条index的示例。
基于WEKA的聚类分析算法
03-24
基于WEKA软件实现金融领域数据挖掘分析案例，分别使用随机森林，支持向量机等算法对大数据进行聚类分析，得出结论
pytorch的python API略读--tensor(四）
机器视觉全栈er的博客
03-01 539
作者：机器视觉全栈er 来源：cvtutorials.com 2.1.3 分 分就是将tensor拆分或者只看tensor的某个部分。 torch.chunk：将一个tensor分解成多个块。用法如下： torch.chunk(input, chunks, dim=0) 如果chunk不能被输入的tensor的dim方向上的整除的话，最后一个块和其他块的大小不一样，举个例子来说明下： >>> cvtutorials = torch.randn(7, 7) >>> c.
Think Locally, Act Globally: Federated Learning with Local and Global Representations
mengdan90的博客
10-23 1814
Think Locally, Act Globally: Federated Learning with Local and Global Representations NeurIPS 2019 workshop 1. Method 1.1 LG-FedAvg 通过各节点的本地数据Xk,YkX_k, Y_kXk​,Yk​训练local representation（其中YkY_kYk​可以...
论文阅读（联邦学习）：Exploiting Shared Representations for Personalized Federated Learning
qq_43250196的博客
02-13 3528
论文阅读（联邦学习）：Exploiting Shared Representations for Personalized Federated Learning
KBS 2021 | 联邦学习综述
KI的博客
02-07 7404
KBS 2021 | 联邦学习综述
探索联邦学习的未来：LG-FedAvg项目推荐
gitblog_00091的博客
05-19 423
探索联邦学习的未来：LG-FedAvg项目推荐 LG-FedAvg [NeurIPS 2019 FL workshop] Federated Learning with Local and Global Representations 项目地址: https://...
pFedHN论文阅读笔记
联邦学习小白
06-25 1846
《Personalized Federated Learning using Hypernetworks》提出一种用于个性化联邦学习的方法“pFedHN” （personalized Federated HyperNetworks）。该方法通过训练中央超网络模型，实现跨客户端的参数共享，并为每个客户端生成独特的个性化模型。 该方法的创新点主要有以下两点： 1、该超网络具备较强的泛化能力，即便（a）新的客户端的数据分布不同于训练时的客户端，（b）新的客户端具备不同的计算性能（这使得不同客户端可以训练不同规模的
【阅读笔记】Towards Personalized Federated Learning个性化联邦综述
charlessun9的博客
07-15 5118
个性化联邦学习综述，介绍了当前非独立同分布的数据情况，以及相应的解决方案、论文。同时也对PFL进行了分类，四大类、十小类，方便相关研究人员针对性的学习
FedProx——异构网络的联邦学习优化
gwb281386172的博客
11-05 5697
GitHub地址https://github.com/litian96/FedProx 在McMahan 17年文章的基础上，对FedAvg做的改进，增加了一个修正项，称为proximal term，其本质是对本地模型权重参数和全局模型权重参数的一个差异限制，一次来增加模型训练的稳定性和模型的收敛性,大概就是这个意思了，啊，我什么时候才能使用latex写公式 然后，后面进行了一些公式分析，主要有几...
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