<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[LOG_IN_ME的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/LOG_IN_ME</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; LOG_IN_ME]]></copyright><item><title><![CDATA[差分隐私（Differential Privacy）定义及其理解]]></title><link>https://blog.youkuaiyun.com/LOG_IN_ME/article/details/124978262</link><guid>https://blog.youkuaiyun.com/LOG_IN_ME/article/details/124978262</guid><author>LOG_IN_ME</author><pubDate>Thu, 26 May 2022 09:17:59 +0800</pubDate><description><![CDATA[1 前置知识
本部分只对相关概念做服务于差分隐私介绍的简单介绍，并非细致全面的介绍。
1.1 随机化算法
随机化算法指，对于特定输入，该算法的输出不是固定值，而是服从某一分布。
单纯形（simplex）：一个kkk维单纯形是指包含k+1k+1k+1个顶点的凸多面体，一维单纯形是一条线段，二维单纯形是一个三角形，三维单纯形是一个四面体，以此类推推广到任意维。“单纯”意味着基本，是组成更复杂结构的基本构件。
概率单纯形（probability simplex）：是一个数学空间，上面每个点代表有限个互斥事件之间的]]></description><category></category></item><item><title><![CDATA[【论文笔记】A review of applications in federated learning（综述）]]></title><link>https://blog.youkuaiyun.com/LOG_IN_ME/article/details/124563364</link><guid>https://blog.youkuaiyun.com/LOG_IN_ME/article/details/124563364</guid><author>LOG_IN_ME</author><pubDate>Tue, 03 May 2022 22:44:44 +0800</pubDate><description><![CDATA[A review of applications in federated learning




Authors
Li Li, Yuxi Fan, Mike Tse, Kuo-Yi Lin




Keywords
Federated learning; Literature review; Citation analysis; Research front


Abstract
FL是一种协作地分散式隐私保护技术，它的目标是克服数据孤岛与数据隐私的挑战。本研究旨在回顾目前在工业工程中的应用，以指导未来]]></description><category></category></item><item><title><![CDATA[【论文笔记】A Survey on Federated Learning: The Journey From Centralized to Distributed On-Site...（综述）]]></title><link>https://blog.youkuaiyun.com/LOG_IN_ME/article/details/124525383</link><guid>https://blog.youkuaiyun.com/LOG_IN_ME/article/details/124525383</guid><author>LOG_IN_ME</author><pubDate>Sun, 01 May 2022 12:38:44 +0800</pubDate><description><![CDATA[我的博客园：https://www.cnblogs.com/MaplesWCT/

A Survey on Federated Learning: The Journey From Centralized to Distributed On-Site Learning and Beyond




Authors
Sawsan AbdulRahman, Hanine Tout, Hakima Ould-Slimane, Azzam Mourad, Chamseddine Talhi, Mohsen Gui.]]></description><category></category></item><item><title><![CDATA[【论文笔记】A survey on security and privacy of federated learning（综述）]]></title><link>https://blog.youkuaiyun.com/LOG_IN_ME/article/details/124525348</link><guid>https://blog.youkuaiyun.com/LOG_IN_ME/article/details/124525348</guid><author>LOG_IN_ME</author><pubDate>Sun, 01 May 2022 12:35:19 +0800</pubDate><description><![CDATA[我的博客园：https://www.cnblogs.com/MaplesWCT/

A survey on security and privacy of federated learning




Authors
Viraaji Mothukuri, Reza M. Parizi, Seyedamin Pouriyeh, Yan Huang, Ali Dehghantanha, Gautam Srivastava




Keywords
Artificial intelligence; Machin.]]></description><category></category></item><item><title><![CDATA[联邦平均算法（Federated Averaging Algorithm，FedAvg）]]></title><link>https://blog.youkuaiyun.com/LOG_IN_ME/article/details/124262917</link><guid>https://blog.youkuaiyun.com/LOG_IN_ME/article/details/124262917</guid><author>LOG_IN_ME</author><pubDate>Tue, 19 Apr 2022 00:01:41 +0800</pubDate><description><![CDATA[设一共有KKK个客户机，
中心服务器初始化模型参数，执行若干轮（round），每轮选取至少1个至多KKK个客户机参与训练，接下来每个被选中的客户机同时在自己的本地根据服务器下发的本轮（ttt轮）模型wtw_twt​用自己的数据训练自己的模型wt+1kw^k_{t+1}wt+1k​，上传回服务器。服务器将收集来的各客户机的模型根据各方样本数量用加权平均的方式进行聚合，得到下一轮的模型wt+1w_{t+1}wt+1​：
wt+1←∑k=1Knknwt+1k//nk为客户机k上的样本数量，n为所有被选中客户机的总]]></description><category></category></item><item><title><![CDATA[【论文笔记】A survey on federated learning （综述）]]></title><link>https://blog.youkuaiyun.com/LOG_IN_ME/article/details/124188769</link><guid>https://blog.youkuaiyun.com/LOG_IN_ME/article/details/124188769</guid><author>LOG_IN_ME</author><pubDate>Fri, 15 Apr 2022 10:25:51 +0800</pubDate><description><![CDATA[Author
Chen Zhang, Yu Xie, Hang Bai, Bin Yu, Weihong Li, Yuan Gao




Keywords
Federated learning; Privacy protection; Machine learning


Abstract
联邦学习是在一个中央聚合器的协调下多客户协作解决机器学习问题的机制。它还允许数据分散训练以确保每个设备的数据隐私。联邦学习基于两个主要思想：本地计算、模型传输，减少了一些由传统的集中式机器学习方法带来的系统性的...]]></description><category></category></item><item><title><![CDATA[最长美丽子串]]></title><link>https://blog.youkuaiyun.com/LOG_IN_ME/article/details/123873244</link><guid>https://blog.youkuaiyun.com/LOG_IN_ME/article/details/123873244</guid><author>LOG_IN_ME</author><pubDate>Thu, 31 Mar 2022 15:23:31 +0800</pubDate><description><![CDATA[单点时限: 1.0sec内存限制:512 MB
给定长度为n的字符串S,定义其子字符串为S中连续的字符所组成的字符串。
若个字符串的每一个字符都独一 无二，那么我们称这样的字符串是美丽的，例如abc是美丽的，但是abb不是美丽的。请输出S的最长美丽子串的长度。

输入格式

一行一个字符串S

输出格式

一行一个整数，表示答案。

样例1

input

1


abcddbcd

output

1

4

样例2

input

1

aaaa

output

1

1

样例3

input

1]]></description><category></category></item><item><title><![CDATA[【从逻辑回归到CNN】激活函数（手写）]]></title><link>https://blog.youkuaiyun.com/LOG_IN_ME/article/details/123412714</link><guid>https://blog.youkuaiyun.com/LOG_IN_ME/article/details/123412714</guid><author>LOG_IN_ME</author><pubDate>Thu, 10 Mar 2022 22:10:16 +0800</pubDate><description><![CDATA[本文解释以下内容：

什么是激活函数
	为什么要用激活函数（激活函数的作用）
	常用的激活函数：Linear、Logistic、Tanh、ReLU、SoftPlus、Softmax






其中【2、激活函数的作用】第二点“异或问题”可参阅逻辑回归的【3、从几何角度理解逻辑回归的能力与局限】
...]]></description><category></category></item><item><title><![CDATA[【从逻辑回归到CNN】神经网络（手写）]]></title><link>https://blog.youkuaiyun.com/LOG_IN_ME/article/details/123402389</link><guid>https://blog.youkuaiyun.com/LOG_IN_ME/article/details/123402389</guid><author>LOG_IN_ME</author><pubDate>Thu, 10 Mar 2022 15:18:17 +0800</pubDate><description><![CDATA[本文解释以下内容：

什么是神经网络
全连接神经网络
个人理解神经元在神经网络中的作用
神经网络的训练过程
神经网络的预测过程



]]></description><category></category></item><item><title><![CDATA[【从逻辑回归到CNN】模型评估指标（手写）]]></title><link>https://blog.youkuaiyun.com/LOG_IN_ME/article/details/123359541</link><guid>https://blog.youkuaiyun.com/LOG_IN_ME/article/details/123359541</guid><author>LOG_IN_ME</author><pubDate>Tue, 08 Mar 2022 18:02:53 +0800</pubDate><description><![CDATA[模型评估指标（二分类问题）：

1、训练集、验证集、测试集

2、模型评价指标：正确率、查准率、查全率、F1、P-R曲线、ROC曲线、AUC




]]></description><category></category></item><item><title><![CDATA[【从逻辑回归到CNN】逻辑回归（手写）]]></title><link>https://blog.youkuaiyun.com/LOG_IN_ME/article/details/123248967</link><guid>https://blog.youkuaiyun.com/LOG_IN_ME/article/details/123248967</guid><author>LOG_IN_ME</author><pubDate>Thu, 03 Mar 2022 11:10:32 +0800</pubDate><description><![CDATA[1、什么是逻辑回归
2、逻辑回归与神经网络的关系
3、从几何角度理解逻辑回归的能力与局限

]]></description><category></category></item><item><title><![CDATA[C++ STL 结构体作为map的键]]></title><link>https://blog.youkuaiyun.com/LOG_IN_ME/article/details/122893775</link><guid>https://blog.youkuaiyun.com/LOG_IN_ME/article/details/122893775</guid><author>LOG_IN_ME</author><pubDate>Sat, 12 Feb 2022 11:22:45 +0800</pubDate><description><![CDATA[在使用map等关联式容器时，用结构体作为键时，在用到键比较的场合时会报错，键无法比较。

比如：

map每次插入新元素都需要比较键，自动排序。
	map.count(key)对某一键计数。
因为键是我们自定义的，编译器找不到类似模板，无法比较。我们自己重载&lt;运算符即可，指出我们在比较结构体时具体是比较哪个成员变量。


struct Test{
    string data;
    int x;

    bool operator&lt;(const package&amp; tmp) con]]></description><category></category></item><item><title><![CDATA[KY155 To Fill or Not to Fill]]></title><link>https://blog.youkuaiyun.com/LOG_IN_ME/article/details/122839012</link><guid>https://blog.youkuaiyun.com/LOG_IN_ME/article/details/122839012</guid><author>LOG_IN_ME</author><pubDate>Wed, 09 Feb 2022 12:06:05 +0800</pubDate><description><![CDATA[描述

With highways available, driving a car from Hangzhou to any other city is easy. But since the tank capacity of a car is limited, we have to find gas stations on the way from time to time. Different gas station may give different price. You are asked to]]></description><category></category></item><item><title><![CDATA[KY4 代理服务器]]></title><link>https://blog.youkuaiyun.com/LOG_IN_ME/article/details/122816523</link><guid>https://blog.youkuaiyun.com/LOG_IN_ME/article/details/122816523</guid><author>LOG_IN_ME</author><pubDate>Mon, 07 Feb 2022 23:59:12 +0800</pubDate><description><![CDATA[描述

 使用代理服务器能够在一定程度上隐藏客户端信息，从而保护用户在互联网上的隐私。我们知道n个代理服务器的IP地址，现在要用它们去访问m个服务器。这 m 个服务器的 IP 地址和访问顺序也已经给出。系统在同一时刻只能使用一个代理服务器，并要求不能用代理服务器去访问和它 IP地址相同的服务器（不然客户端信息很有可能就会被泄露）。在这样的条件下，找到一种使用代理服务器的方案，使得代理服务器切换的次数尽可能得少。

输入描述：

 每个测试数据包括 n + m + 2 行。  第 1 行只包...]]></description><category></category></item><item><title><![CDATA[KY58 Repeater]]></title><link>https://blog.youkuaiyun.com/LOG_IN_ME/article/details/122645786</link><guid>https://blog.youkuaiyun.com/LOG_IN_ME/article/details/122645786</guid><author>LOG_IN_ME</author><pubDate>Sun, 23 Jan 2022 11:16:22 +0800</pubDate><description><![CDATA[提交网址：http://t.cn/E9jcaVb

描述

Harmony is indispensible in our daily life and no one can live without it----may be Facer is the only exception. One day it is rumored that repeat painting will create harmony and then hundreds of people started their endless ]]></description><category></category></item><item><title><![CDATA[C++上机常用函数方法及经典代码段汇总]]></title><link>https://blog.youkuaiyun.com/LOG_IN_ME/article/details/122627229</link><guid>https://blog.youkuaiyun.com/LOG_IN_ME/article/details/122627229</guid><author>LOG_IN_ME</author><pubDate>Fri, 21 Jan 2022 18:35:31 +0800</pubDate><description><![CDATA[持续更新中……

1、求反序数

求一个非负整数data的反序数。


/*
    每一次循环：
    先将res整体左移空出个位，
    将data末尾位加到res个位，
    砍掉data末尾位。
*/
int reverse(int data){//计算反序数
    int res = 0;
    while(data){
        res *= 10;
        res += data % 10;
        data /= 10;
    }
    return re]]></description><category></category></item><item><title><![CDATA[人工智能、机器学习、深度学习 三者关系]]></title><link>https://blog.youkuaiyun.com/LOG_IN_ME/article/details/122529409</link><guid>https://blog.youkuaiyun.com/LOG_IN_ME/article/details/122529409</guid><author>LOG_IN_ME</author><pubDate>Sun, 16 Jan 2022 22:39:37 +0800</pubDate><description><![CDATA[1、AI ML DL关系

为了赋予计算机以人类的理解能力与逻辑思维，诞生了人工智能（Artificial Intelligence，Al）这一学科。在实现人工智能的众多算法中，机器学习是发展较为快速的一支。机器学习的思想是让机器自动地从大量的数据中学习出规律，并利用该规律对未知的数据做出预测。在机器学习的算法中,深度学习是特指利用深度神经网络的结构完成训练和预测的算法。



机器学习是实现人工智能的途径之一，而深度学习则是机器学习的算法之一。如果把人工智能比喻成人类的大脑，机器学习则是人类通过大量数..]]></description><category></category></item><item><title><![CDATA[吴恩达深度学习课程第四课 — 卷积神经网络（Convolutional Neural Networks）]]></title><link>https://blog.youkuaiyun.com/LOG_IN_ME/article/details/122518784</link><guid>https://blog.youkuaiyun.com/LOG_IN_ME/article/details/122518784</guid><author>LOG_IN_ME</author><pubDate>Sun, 16 Jan 2022 10:34:27 +0800</pubDate><description><![CDATA[卷积运算：中间小矩阵被称为过滤器/滤波器（filter）或核（kernal）。用过滤器在原图上依次移动，将过滤器与其所覆盖区域相应元素乘积之和即为结果矩阵相应位置的元素值。可见，计算后的图片变小了。







1.边缘检测（Edge detection）





1.1.垂直边缘检测（vertical edges）



通过上图所示的一个过滤器，就能检测出原图中的垂直边缘，由于原图很小是6x6，所以结果的白色区域显得很大，但是当图片很大时，检测的垂直边缘将会有不错的效果。

更进一步，还可以检测出.]]></description><category></category></item><item><title><![CDATA[吴恩达深度学习课程第一课 — 神经网络与深度学习]]></title><link>https://blog.youkuaiyun.com/LOG_IN_ME/article/details/119087819</link><guid>https://blog.youkuaiyun.com/LOG_IN_ME/article/details/119087819</guid><author>LOG_IN_ME</author><pubDate>Sun, 25 Jul 2021 21:50:36 +0800</pubDate><description><![CDATA[目录

1.神经网络（Neural Network）

1.1.神经网络

1.2.用神经网络进行监督学习（Supervised Learning with Neural Networks）

2.神经网络基础（Basics of Neural Network Programming）

2.1.逻辑回归（Logistic Regression）

2.2.损失函数（Loss Function）

2.3.梯度下降法（Gradient Descent）

2.4.计算流程图（Computation Grap]]></description><category></category></item><item><title><![CDATA[C++ sort()函数（重制版）]]></title><link>https://blog.youkuaiyun.com/LOG_IN_ME/article/details/113588897</link><guid>https://blog.youkuaiyun.com/LOG_IN_ME/article/details/113588897</guid><author>LOG_IN_ME</author><pubDate>Wed, 03 Feb 2021 13:04:41 +0800</pubDate><description><![CDATA[头文件


#include&lt;algorithm&gt;

使用的是什么算法？

参考：https://blog.youkuaiyun.com/qq_35440678/article/details/80147601

用到的是快速排序，但不完全是快速排序，还结合了插入排序和堆排序。

快速排序时间复杂度并不是稳定的O(nlogn)，在排序表接近基本有序或逆序时，会退化成O(n^2)。
	在数据量小的情况下，递归所造成的内存消耗不划算。
	递归深度很大的情况下，空间消耗很大。
所以sort采取的排序方法如下：数据]]></description><category></category></item></channel></rss>