自定义博客皮肤VIP专享

*博客头图:

格式为PNG、JPG,宽度*高度大于1920*100像素,不超过2MB,主视觉建议放在右侧,请参照线上博客头图

请上传大于1920*100像素的图片!

博客底图:

图片格式为PNG、JPG,不超过1MB,可上下左右平铺至整个背景

栏目图:

图片格式为PNG、JPG,图片宽度*高度为300*38像素,不超过0.5MB

主标题颜色:

RGB颜色,例如:#AFAFAF

Hover:

RGB颜色,例如:#AFAFAF

副标题颜色:

RGB颜色,例如:#AFAFAF

自定义博客皮肤

-+
  • 博客(11)
  • 收藏
  • 关注

原创 【无标题】

但由于FATE跨版本差异较大,目前仍在根据版本调配出现的问题,以及根据给出的样例写出自定义的pipeline用于2.1版本的训练。将输出的json串放到对应的conf的nn_define项处,并修改host和guest处的表名和命名空间,与上传时对应。使用Keras,采用自定义模型的方法,自定义多层卷积神经网络来训练模型。修改guest、host的table name和namespace。为提交数据配置upload的conf。

2024-05-21 17:23:02 673 1

原创 FATE集群部署5.14

在下载1.11.0版本的部署压缩包时,我突然看到部署MySQL的日志中间有段显示发生未知错误,仔细观察后发现似乎是来源的mirror无法找到。然后我只能使用cent OS系统来部署,使用2.1.0版本的FATE部署后测试然会出现下面所示的错误。显示找不到mysql的服务,找了挺多mysql的解决方案,都不能行。查看日志也没有发现有什么报错, 我决定降版本进行尝试。能跑了,尝试换回2.1.0的版本,但依然出现下方错误。尝试根据下文来解决FATE部署时数据库问题。

2024-05-14 15:03:41 112 1

原创 【无标题】

查询日志,猜想是MySQL连接出现问题。部署完成后测试数据,发现仍然有问题。查询之后,配置MySQL,仍然不行。

2024-05-06 19:49:52 79 1

原创 4月23日

Dataset是一个抽象类,通常将数据包装为Dataset类,然后传入DataLoader中,我们再使用DataLoader这个类来更加快捷的对数据进行操作。通过数据把图像数据.append到数组中,然后通过CSV将数组中的数据下入CSV文件。当有多个数据集可供选择时,可以在选择数据集时比较数据集大小,尽量选择数据集大的数据集。

2024-04-22 13:12:50 135

原创 FATE日常

修改upload文件配置。

2024-04-11 12:36:25 71 1

原创 FedScale平台

键,如果有,根据其值决定使用 Docker 还是 Kubernetes 容器。从配置中获取 Parameter Server 的 IP 和 Worker 的 IPs。遍历配置中的 Worker IPs,将每个 IP 与 GPU 列表对应起来。构建配置脚本和设置命令。如果存在设置命令,则将其拼接为字符串。设置默认的日志路径,以及从配置中获取的 SSH 用户。从 YAML 文件中加载配置信息,结果存储在。构建命令后缀字符串 ,处理作业命与日志路径。生成当前时间的时间戳,并初始化作业名称。

2023-12-26 20:47:54 345 1

原创 关于激励机制

此外,我们发现的最佳K,懒惰的客户端的数量,和懒惰的客户端使用的人工噪声的功率之间的关系。首先提出了一种分层的区块链支持的FL架构,该架构利用区块链的不可变和透明特性,实现知识和交易信息的安全存储和共享,并具有可扩展性。(也就是FLchain)考虑到博弈论可以用来分析参与者的策略,我们构建了一个以能源部门和监事会为参与者的博弈模型,设计了基于博弈论的激励机制,并通过智能合约的方式实现。设计和评估了一种新的BFL框架,并解决了普通的BFL中发现的挑战,具有更大的灵活性和激励机制,称为FAIR-BFL。

2023-12-26 20:29:12 903 1

原创 AUCTION: Automated and Quality-Aware Client Selection Framework for Efficient Federated Learning

【真实数据集】

2023-11-07 13:31:52 98

原创 部分背景知识了解

纳什均衡是博弈论中一种解的概念,它是指满足下面性质的策略组合:任何一位玩家在此策略组合下单方面改变自己的策略(其他玩家策略不变)都不会提高自身的收益。

2023-10-17 19:11:26 29

原创 激励机制相关论文的阅读

解决问题:普通的基于区块链的联邦学习(BFL)的一个问题是它的功能不能以动态的方式满足采用者的需求。此外,普通的基于区块链的联邦学习(BFL)依赖于无法验证的客户端自我报告的贡献,如数据大小,因为出于隐私考虑,FL不允许检查客户端的原始数据。如何解决:设计和评估了一种新的BFL框架,并解决了普通的BFL中发现的挑战,具有更大的灵活性和激励机制,称为FAIR-BFL。解决问题:(对于FL来说)确保知识的安全性,处理参与者的懒惰行为以及实施更为有效的激励。时间:2022 Feb 18。

2023-09-28 10:54:52 330

原创 论文笔记“Federated Learning Meets Blockchain in Edge Computing: Opportunities and Challenges”

模型聚合的去中心化不仅减轻了单点故障的风险,以获得更好的训练可靠性,而且还减轻了全局模型聚合中中央服务器的负担,特别是当边缘网络拥有大量客户端时。相反,所有区块链节点,如边缘网络中的移动设备和MEC服务器,都拥有通过共识机制验证和管理存储在区块链中的数据的平等权利。通过使用区块链,FL可以通过分散的数据分类账实现,而不需要任何中央服务器,从而降低了单点故障的风险,并且所有网络实体都以透明的方式跟踪任何更新事件和用户行为。值得注意的是,在经典的FL中,全局模型是由MEC服务器计算和更新的。

2023-09-14 13:23:23 250 3

空空如也

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

提示
确定要删除当前文章?
取消 删除