穷酸秀才大艹包

摘要：联邦学习是一种很有前途的机器学习方法，它利用来自多个节点（如移动设备）的分布式个性化数据集来提高性能，同时为移动用户提供隐私保护。在联邦学习中，训练数据广泛分布在移动设备上，作为用户得到维护。中央聚合方通过使用移动设备的本地训练数据从移动设备收集本地更新来更新全局模型，以在每次迭代中训练全局模型。然而，不可靠的数据可能被移动设备（即用户）上传，从而导致联邦学习任务中的欺诈。用户可能故意执行不可靠的更新，例如数据中毒攻击，或无意执行，例如由能量限制或高速移动引起的低质量数据。因此，在联邦学习任务中找到可信和可靠的用户变得至关重要。本文引入信誉的概念作为度量标准。在此基础上，提出了一种用于联邦学习任务的可靠用户选择方案。联盟链被用作一种去中心化的方法，以实现对用户的有效信誉管理，而无需拒绝和篡改。通过数值分析，证明了该方法可以提高移动网络中联邦学习任务的可靠性。 阅读全文

摘要：1、进入Github文件夹，打开对应文件； 2、右键单击Raw，然后目标另存为即可。 阅读全文

摘要：能量收集技术为未来的物联网应用提供了一个很有前景的平台。然而，由于这些设备中的通信非常昂贵，应用程序将需要“超出边缘”的推理，以避免在无意义的通信上浪费宝贵的能量。我们的结果表明，应用程序性能对推理精度非常敏感。不幸的是，精确的推理需要大量的计算和内存，而能量收集系统的资源严重受限。此外，能量收集系统间歇运行，经常发生电力故障，这会破坏结果，阻碍前进。 阅读全文

摘要：在mxnet框架中加入（同态）加密时的探索记录笔记 阅读全文