- 博客(38)
- 资源 (1)
- 收藏
- 关注
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