我的创作纪念日

于 2022-10-11 10:28:49 发布
阅读量208 收藏
点赞数 1
分类专栏： 联邦学习 智慧 文章标签： 经验分享
版权声明：本文为博主原创文章，遵循 CC 4.0 BY 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/weixin_45671820/article/details/127258547
版权

初心

研究生确定了研究方向，想以此来记录所有读过的文献和笔记

收获

写了1个系列，分为10多节，阅读人数好多，也收获了志同道合的同方向研究人员。

日常

养成了记录的习惯，对于日常用到的python中一些问题，以及联邦学习中开源平台等小众问题进行分享。

憧憬

未来继续写，将自己的历程记录下来，记录一路的心路历程。

35岁北京一套房
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
专栏目录
音乐创作FLASH模板
09-04
音乐创作FLASH模板 音乐模板 灰色模板 html模板 娱乐模板
个人音乐创作网页模板
01-22
个人音乐创作网页模板
PDF创作者2.7.rar
07-10
PDF创作者2.7
我的诗词创作之路
08-19
我的诗词创作之路
多媒体作品创作软件简介.pptx
11-14
多媒体作品创作软件简介.pptx
联邦学习--论文汇总（十）
weixin_45671820的博客
05-18 3227
两篇关于压缩模型的联邦学习 Group Knowledge Transfer: Federated Learning of Large CNNs at the Edge(组知识迁移：边缘设备的大型CNN联邦学习) FedGKT可以有效地在边缘上训练小CNN，通过知识蒸馏周期性地将小CNN的知识转移到一个大容量的服务器端CNN。 边缘设备主要缺点是缺乏GPU加速器和足够的内存，无法在资源受限的边缘设备上训练大型CNN。 优点： 减少对边缘计算的需求，降...
联邦学习--论文汇总（十一）
weixin_45671820的博客
05-19 1924
回归老本行，Non-iid !!! 【1】SEPARATE BUT TOGETHER: UNSUPERVISED FEDERATED LEARNING FOR SPEECH ENHANCEMENT FROM NON-IID DATA, arXiv:2105.04727v1. 分离但在一起:基于non-iid数据中增强语音的无监督联邦学习 FedEnhance: 一种无监督的联邦学习，用于跨多个客户端non-iid分布式数据的语音增强和分离。迁移学习促进收敛和学习性能。 现状 从高保真的混合声音分离出单独的声
联邦学习论文汇总---十六
weixin_45671820的博客
06-04 1417
Client-Edge-Cloud Hierarchical Federated Learning 客户端–云分层联邦学习 背景 1.云或边缘只有一个中心参数服务器， 2.深度学习在强大的计算平台训练，终端设备生成和分发转移到中央服务器时，违反隐私问题。 创新点 1.允许多个边缘服务器执行部分模型聚合， 2.引入中间边缘服务器，减少模型训练时间和终端设备的能量消耗 3.基于边缘的联邦学习，参数服务器位于邻近边缘（基站），但是服务器访问的客户端数量有限，训练性能损失。 4.与云边端相比，分层的联邦学习减少与云
2021 末尾冒了个泡
weixin_45671820的博客
01-26 1052
快奔3了，总体来说，学业还是比较顺利的，求学路上充满偶然，但都是幸运的偶然。 主要分三个方面吧，时间横跨2021-2022 2021 学习的新技术 python画图，以前总看别人的论文图特别好看，但是不知怎么画的，自己就觉得很恐怖，在2021年，我终于学会了！ 原理就是训练时候把每一轮的精度保存成坐标的形式，最后用画图命令画出来，通过加入各种参数，调整图的线、光滑度！很有成就感！（举例） 微信公众号，自己从0到现在的687个粉丝，通过不断地调整内容，变换排版，学习知识丰富内容，未来继续加油。
联邦学习笔记--论文汇总（十三）
weixin_45671820的博客
06-02 927
Adaptive Federated Dropout: Improving Communication Efficiency and Generalization for Federated Learning 自适应联邦剪枝：提高通信和泛化能力 背景 具备传感器的智能设备，常常被携带，可以获取大量原始训练数据，个人设备可以计算深度模型，通信是主要瓶颈，加剧了掉队者的数量和丢失的概率，通信上百轮，通信时间很久。 客户机向服务器发送完整的模型更新，丢弃带宽有限的客户机，学习到的低效模型降低用户体验，增加客户机
联邦学习---论文汇总笔记（十四）
weixin_45671820的博客
06-03 913
FedCD: Improving Performance in non-IID Federated Learning FedCD（克隆和删除模型动态地对相似数据的设备分组） 1.机器学习的目标是在不同的数据源下效果都很好，数据受到隐私严格约束，有限的通信带宽和内存。 2.在Non-iid下导致不同设备的更新冲突，训练轮之间明显震荡，收敛速度变慢。 创新 在指定时刻（位置），克隆全局模型，自适应更新全局的高分子模型，删除表现不佳的模型，为每个原型生成一个专门的模型，通过维护多个全局模型，优先更新在本地表现良
联邦学习系列---读书个人总结
weixin_45671820的博客
09-24 655
联邦学习基于分布式数据集建立模型，包括训练和推理，训练可以交换相关信息或者加密形式交换，但是不包括数据。Note有两个或以上的参与方协作构成建一个共享的机器学习模型训练过程中，数据不离开参与方相关信息可以以加密的方式传输或传换，并且不能通过这些信息推测出其他方的原始数据性能充分逼近理想模型例：有N个参与方{Fi}和N个数据集{Di传统：将所有的数据集传送到云服务器，进行训练，得到模型Msum联邦：各个参与方Fi在本地训练数据集，形成模型，与聚合器多次交互，得到模型MFED。
联邦学习--FATE部署心得
weixin_45671820的博客
04-10 557
FATE部分详解
联邦学习论文汇总---十五
weixin_45671820的博客
06-03 553
FedMD: Heterogenous Federated Learning via Model Distillation 背景 1.深度学习可以自动感知和推理，需要大型数据，系统异构性（本地异步解决了一部分)，统计异质性性，需要创建自己的模型满足不同的规范， 现有工作 1.为凸问题的多任务学习提供一种框架 2.基于贝叶斯、元学习和迁移学习 创新 1.迁移学习+知识蒸馏开发框架，每个用户有私有数据和私有模型 2. 异构：局部模型的差异，参与者转化知识 迁移内容 1.每个模型对公有训练集训练，对私有数据集训练
联邦学习实战---读书笔记
weixin_45671820的博客
12-09 551
概述 图像处理：卷积网络 自然语言处理：BERT 推荐系统: 科技公司分析历史数据 互联网数据中心预测互联网数据2021年达到50ZB，2025年达到175ZB 数据–燃料—资产（提升产品质量、企业不良贷款）—大数据交易。 难共享–依赖数据的人工智能难发展—为深度算法提供燃料----提供对比基准 实际数据规模小、缺重要信息----高质量数据太少 数据不动模型动、数据可用不可见1 联邦学习：在模型训练过程中，模型的相关信息（模型参数、模型结构、参数梯度）在各参与方之间交换（明文、数据加密、添加噪声） 狭义
从联邦学习角度聊人工智能隐私
weixin_45671820的博客
09-21 505
隐私是无价的，是一种权利，挖掘更多安全的技术来保护我们的隐私安全。
pytorch 入门级项目的感悟
weixin_45671820的博客
08-25 191
花了两天时间学习了基础卷积网络结构和pytorch实现，先放一个最经典的压压惊 遇到的问题 1、 sublime的代码用Pycharm打开，空格处可能会出现特殊字符，去掉。 2、在运行过程中，cuda 要选择 gpu,cpu，可能会出现 ValueError: num_samples should be a positive integer value, but got num_samples=0； RuntimeError: CUDA error: CUBLAS_STATUS_ALLOC_FAILED
csdn我的创作纪念日
最新发布
11-06
CSDN我的创作纪念日是指您在CSDN上发布第一篇博客的日期。这个日期对于您来说是非常重要的，因为它标志着您开始了自己的技术博客之旅。在CSDN上，您可以记录自己的学习历程、分享自己的技术经验、结交志同道合的朋友...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 3
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