- 博客(38)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 C++算法题 - 数组/字符串（2）
面试经典150，数组/字符串 后12题，238，134，135，42，13，12，58，14，151，6，28，68
2024-04-13 11:40:25
771
原创 Linux下boost库环境搭建
我的ubuntu系统版本是22.04.4（我发现这两个版本之间可能存在关系，如果boost版本老但是ubuntu版本新可能存在问题）我是在官网下载的最新版本1_82_0（至博客写成时），
2024-04-11 18:53:00
1186
原创 C++算法题 - 数组/字符串（1）
面试经典150，数组/字符串 前12题，88，27，26，80，169，189，121，122，55，45，274，380
2024-04-11 11:06:27
909
1
原创 计算机基本型号查看方式
最后输入 detail disk 命令，按回车键，会显示硬盘所有的信息，其中硬盘 ID 号就是需要查看的硬盘序列号。同时按下windows键和r键，输入cmd，点击确定后即可打开“命令提示符”。同时按下windows键和r键，输入cmd，点击确定后即可打开“命令提示符”。同时按下windows键和r键，输入cmd，点击确定后即可打开“命令提示符”。输入 list disk 命令，按回车键查看电脑所有的磁盘信息。右键点击“此电脑”，选择“属性”。右键点击“此电脑”，选择“管理”。
2024-03-08 10:27:36
316
原创 《Fast Machine Unlearning Without Retraining Through Selective Synaptic Dampening》论文笔记
论文的贡献：1、提出新的不需要再训练的选择性遗忘方法2、只需要修改少量的参数，以保持模型的一致性3、计算FIM矩阵，且只需要访问一次训练数据即可计算FIM矩阵，之后可以丢弃，不需要额外存储
2023-11-01 11:06:50
362
1
原创 《Asynchronous Federated Unlearning》论文快速阅读
这篇论文是2023年INFOCOM上的论文，是CCF A会议的论文论文中给出了源码：https://github.com/TL-System/plato/tree/main/examples/knot：1、考虑了中的遗忘。2、减少再训练时间开销，为异步联邦学习定制的新型集群聚合机制，使用异步联邦学习可以将客户端划分为集群，并且只能在集群之内进行聚合，这样数据擦除而导致的再训练就可以限制在每个集群之内。3、将客户端转化为一个可以优化的整数字典法最小化问题，使用线性规划求解器解决。这篇论文考虑优化的。
2023-10-06 13:25:59
225
9
原创 联邦遗忘学习
基本思想优化：使用中央服务器的存储空间换取遗忘学习模型的构建时间保证：使用新的校准方法校准保留的更新，并加快遗忘学习模型重建速度总结目标：提高重建时间，加速评价指标：沿用机器遗忘学习的评价标准——准确性和预测损失函数，全局模型遗忘掉目标客户端的遗忘时间，是否仍然包含目标客户端的信息——原始模型和遗忘模型的预测差MIA攻击精度（MIA目标是确定给定的数据是否用于模型给定的ML模型）、MIA攻击召回率为什么使用MIA攻击结果作为评价指标之一，用来评判模型中剩余的关于数据的信息还剩多少，我觉得可以用我。
2023-09-10 22:34:12
873
2
原创 遗忘学习中的评估方式：成员推理攻击MIA&后门攻击
联邦遗忘学习主要研究的是遗忘学习在联邦学习背景下的应用，遗忘学习是最终呈现效果是从整个模型剔除指定数据的影响，即遗忘，于联邦学习而言，现有研究主要研究的是遗忘一整个客户端的数据对全局模型的影响。，当前研究的主要方法有两种：一种是完全不包括需要遗忘的客户端，用其他客户端从零训练，生成再训练模型，然后让执行遗忘学习的遗忘模型与这个再训练模型进行比较，越接近代表遗忘效果越好；
2023-08-27 22:00:55
565
原创 什么是差分隐私
差分隐私的定义：一个进行扰动的随机算法A应该满足ε−ε−差分隐私，当且仅当exp−ε≤PrADOPrAD′O≤expεexp−ε≤PrAD′OPrADO≤expε，对任意“相邻”数据集D和D’及任意输出O都成立。什么是相邻：两个数据集中绝大部分数据都一样，只有一个数据不一样通俗的将上面的定义就是，修改一个人的数据，导致两个不一样的数据集，这两个数据集在输入到随机算法A之后得到的结果并没有什么不一样。
2023-08-06 22:22:13
85
原创 联邦学习的信息泄露
联邦学习一词是由McMahan等人引入的《Communication-efficient learning of deep networks from decentralized data》。联邦学习的基础结构为：n个客户端（如移动设备等）在联邦服务器（如服务供应商）的协调下协作训练模型，而客户端的训练数据由本地存储而不直接提供给服务器。本文主要总结了现有针对联邦学习的攻击和防御的策略
2023-08-01 12:55:37
477
1
原创 梯度下降算法以及根据梯度信息反推出训练数据
梯度是一个向量，有大小有方向大小：梯度的模等于在该点可以取到的最大的变化率方向：该点处取变化最大值时的那个方向用来干什么？可以用来快速找到多维变量函数的极值，在深度学习中一般是寻找损失函数的最小值。对于求最小值或者极值这种问题，一般先想到的就是求解微分方程，但是函数很复杂的时候不容易求解，计算机怎么曲线救国呢，通过其擅长的凭借强大计算能力海量尝试，一步步把函数值试出来 ，这个试的过程前人总结了一个法则——Delta法则。
2023-06-07 10:08:28
146
1
原创 如何在PowerPoint中使用LaTex公式编辑器
将刚才打开的，说暂且放一边的TeX2img.exe文件关闭，重启PowerPoint就可以使用了，效果如下。，将刚刚下载的压缩包移动到这里并解压缩到当前文件夹，找到这个文件，点击运行，先不管它。会打开一个位置，将刚才在在github上下载的文件移动到这里，然后将其选中确定。将其加载到PowerPoint中，打开PowerPoint，依次点击。5、下载下来的是一个镜像文件，将其放在纯英文文件夹下，建议为。10、之后点击确定->安装，会出现下面界面，一直等待即可。（借用别人的图，因为我安装完了没截图）
2023-05-30 22:21:33
5177
4
原创 创建虚拟环境以及将虚拟环境加载到jupyter
打开Anaconda Prompt，在命令行中输入，例如之后会见到下面界面输入y，之后就会开始创建虚拟环境在命令行中输入，例如，就会激活环境并进入其中，表现为前面的括号由(base)变为(env)使用可以退出环境在此环境下（env）输入命令行，可以下载代码中使用的第三方库输入命令pip list可以查看当前虚拟环境已经下载的所有包至此就配好了环境。
2023-05-30 14:56:37
2145
1
原创 《DRL-based Beam Allocation in Relay-aided Multi-user MmWave Vehicular Networks》阅读笔记
毫米波（mmWave）通信可以在车载网络中实现高传输率。然而，车辆的严重阻塞效应和高机动性会严重影响车辆的下行服务。为保证通信质量和稳定性，本文从人工智能驱动模型的角度，共同探讨毫米波车载网络中的波束分配和中继选择。我们利用排队理论来模拟车辆的动态分布，并首先提出了一种基于深度强化学习（DRL）的联合波束分配和中继选择方案，以减轻阻塞效应并优化总通信容量。当预期的下行链路受阻时，毫米波基站（mmBS）可以选择合适的空闲车辆作为中继节点进行服务。
2023-03-20 10:58:47
235
原创 《Spectrum Sharing in Vehicular Networks Based on Multi-Agent Reinforcement Learning》论文实验复现及分析
对于论文中的实验图进行复现和分析，本文中提到的论文应用环境以及代码均来自论文《Spectrum Sharing in Vehicular Networks Based on Multi-Agent Reinforcement Learning》
2023-03-14 20:38:14
1155
2
原创 香农公式--通信的浅显理解--单纯只是为了弄懂功率和信道容量的关系
简单梳理功率和信道容量的关系其中主要是为了弄明白论文《Spectrum Sharing in Vehicular Networks Based on Multi-Agent Reinforcement Learning》中的应用场景问题，即功率（信道增益）与信道容量的关系
2023-02-28 21:56:35
6555
原创 Spectrum Sharing in Vehicular Networks Based on Multi-Agent Reinforcement Learning--笔记
实现高级驾驶服务的需求增加，需要车与车之间传递安全消息，传递信息需要占用频谱资源，频谱资源是有限的，并不是所有波长的信号都可以用来进行信号传输。频谱共享使车与车通信（V2V，vehicle-to-vehicle）共享原来的车与基础设施通信（V2I，vehicle-to-infrastructure）的频谱资源进行通信。从而达到合理的进行资源利用
2023-01-14 18:07:28
1563
4
车联网+强化学习 实验复现图
2023-05-21
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人