摘要： 
PerFedRLNAS: One-for-All Personalized Federated Neural Architecture Search-AAAI'24-PerFedRLNAS 背景与挑战： 介绍个性化学习来解决设备异构和数据异构的问题。 现有工作无法充分回答下面的两个问题： 1.为什么 阅读全文
PerFedRLNAS: One-for-All Personalized Federated Neural Architecture Search-AAAI'24-PerFedRLNAS 背景与挑战： 介绍个性化学习来解决设备异构和数据异构的问题。 现有工作无法充分回答下面的两个问题： 1.为什么 阅读全文
摘要： 
背景： 介绍联邦学习，参数服务器和workers之间的关系 挑战： 1.预定义模型：太大的架构可能会导致过度拟合问题和workers不必要的计算开销，而太小的架构可能会导致低训练性能 2.数据不可访问：数据不可访问导致不能设计出真正高效的架构 在边缘计算中使用FL。需要考虑三种挑战： 1.异构数据 阅读全文
背景： 介绍联邦学习，参数服务器和workers之间的关系 挑战： 1.预定义模型：太大的架构可能会导致过度拟合问题和workers不必要的计算开销，而太小的架构可能会导致低训练性能 2.数据不可访问：数据不可访问导致不能设计出真正高效的架构 在边缘计算中使用FL。需要考虑三种挑战： 1.异构数据 阅读全文
摘要： 
背景与挑战： 介绍FL联邦学习，指出两个联邦学习的缺点： :::danger 1.预定义的架构容易使模型训练陷入局部次优解，导致训练性能低下 2.开发一个足够精确和小的模型来部署在客户端是很复杂的，这需要在迭代的试错过程中付出大量的人力 ::: （手动设计更高效的体系结构在很大程度上依赖于人类专家的 阅读全文
背景与挑战： 介绍FL联邦学习，指出两个联邦学习的缺点： :::danger 1.预定义的架构容易使模型训练陷入局部次优解，导致训练性能低下 2.开发一个足够精确和小的模型来部署在客户端是很复杂的，这需要在迭代的试错过程中付出大量的人力 ::: （手动设计更高效的体系结构在很大程度上依赖于人类专家的 阅读全文
摘要： 
背景与挑战： 介绍FL，引出数据异构问题和数据不可见性，因此需要大量的人力来定制更好的模型架构，因为设备异构性，边缘设备需要更高的计算负担和通信成本。 介绍解决数据异构的相关工作，指出这些工作需要强大的先验假设。 预定义的模型不一定是最优的 贡献： 1.提出FedNAS方法，在边缘设备之间协同搜索全 阅读全文
背景与挑战： 介绍FL，引出数据异构问题和数据不可见性，因此需要大量的人力来定制更好的模型架构，因为设备异构性，边缘设备需要更高的计算负担和通信成本。 介绍解决数据异构的相关工作，指出这些工作需要强大的先验假设。 预定义的模型不一定是最优的 贡献： 1.提出FedNAS方法，在边缘设备之间协同搜索全 阅读全文
摘要： 
背景： 1.介绍FL 2.介绍NAS(讨论范围限制在CNN) 宏搜索空间覆盖整个CNN模型，例如，隐藏层的数量n、操作类型（例如，卷积）和快捷连接的链接方法 微观搜索空间仅覆盖整个模型结构中重复的基序或细胞。并且这些单元在复杂的多分支操作中构建 介绍RT(强化学习)在NAS中的运用，因为RT要模拟采 阅读全文
背景： 1.介绍FL 2.介绍NAS(讨论范围限制在CNN) 宏搜索空间覆盖整个CNN模型，例如，隐藏层的数量n、操作类型（例如，卷积）和快捷连接的链接方法 微观搜索空间仅覆盖整个模型结构中重复的基序或细胞。并且这些单元在复杂的多分支操作中构建 介绍RT(强化学习)在NAS中的运用，因为RT要模拟采 阅读全文
CNN(Convolutional Neural Network)卷积神经网络对于MNIST手写数字识别的实战代码和心得 首先是对代码结构思路进行思路图展示，如下： 参数和原理剖析： 因为MNIST图片为长和宽相同的28像素，为黑白两色，所以图片的高度为1，为灰度通道。 在传入的时候，我定义的BAT 
RNN的架构除了RNN类中的模型不同，其他的构架与CNN类似，如果还没有阅读过CNN文章的可以点击下方链接进入： CNN使用MNIST手写数字识别实战的代码和心得 LSTM(Long Short-Term Memory长短时记忆网络)虽然在MNIST手写数字识别方面不擅长，但是也可以进行使用，效果比