记录贴｜联邦学习

最新推荐文章于 2025-12-24 22:52:46 发布

原创最新推荐文章于 2025-12-24 22:52:46 发布 · 103 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#图像处理

博主收藏文章准备研究水平联邦学习实战，对其架构已确定但实战不太理解。在图像分割方面，参考软件后大致明确方向，关键在于可编辑，打算先以其他算法让软件运行再替换。目前正在配置python环境，整体进度为10%。

水平联邦学习，架构确定了，具体实战不太理解，收藏了一篇文章明天研究。

水平联邦学习实战

图像分割看了参考软件，大致明白要做什么了，可编辑是关键，可能需要先塞个其他算法把软件跑起来，后期再替换。

当前在配python环境，明天早上起来摘果子。

当前进度10%

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

Zoo_Kill_Elephant

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

联邦学习（四）：Python Socket 实现两台电脑之间文件传输

cocofisher的博客

04-22

2506

文章目录项目说明实现步骤代码实现服务器1、导入需要的库2、声明协议类型，同时生成 socket 连接对象3、绑定在服务器中需要监听的端口并开始监听4、获得服务器中的图片信息5、客户端上传请求后建立从服务器到客户端的连接实例6、接收数据，明确图片名称7、向客户端上传相关图片信息8、打开相关图片文件，分批次读取字节并下载到客户端客户端1、导入需要的库2、声明协议类型，同时生成 socket 连接对象3、连接服务器的相关端口4、向服务器上传图片名称信息5、接收服务器返回的图片信息6、以二进制格式打开一个文件用于存

联邦学习中的激励机制设计：如何促进各方积极参与

2502_91592937的博客

08-06

345

在当今数字化时代，数据就像一座巨大的宝藏，很多组织和个人都拥有着自己的数据。但是，由于数据隐私和安全等问题，这些数据不能随意共享。联邦学习就像是一个神奇的魔法，它可以让不同的参与者在不共享原始数据的情况下，共同训练一个强大的模型。而我们今天要探讨的激励机制设计，就是要让这些参与者更愿意加入到联邦学习这个大家庭中来，一起挖掘数据的价值。我们的范围主要是研究如何设计出有效的激励机制，让各方都能从中获得好处，从而积极参与联邦学习。我们将先介绍联邦学习和激励机制的核心概念，就像给大家介绍故事里的主角一样。

参与评论您还未登录，请先登录后发表或查看评论

虚拟专题：联邦学习 | 联邦学习隐私保护研究进展

weixin_45585364的博客

02-24

1853

来源：大数据期刊联邦学习隐私保护研究进展王健宗,孔令炜,黄章成,陈霖捷,刘懿,卢春曦,肖京平安科技（深圳）有限公司，广东深圳 518063摘要：针对隐私保护的法律法规相继出...

公平联邦学习——多目标优化

jazzbin的博客

01-01

1250

采用多目标优化来提升联邦学习的公平性是一种有效且实用的方法。本文介绍了FedMDFG算法，指出使用错误的更新方向和步长是导致联邦学习不公平的直接原因。FedMDFG在提升联邦学习公平性和non-IID场景下的模型性能有着卓越的表现。

联邦学习开山之作论文解读与Pytorch实现FedAvg

zs_dolphin的专栏

07-30

1515

参考文献：McMahan B, Moore E, Ramage D, et al. Communication-efficient learning of deep networks from decentralized data[C]//Artificial intelligence and statistics. PMLR, 2017: 1273-1282.参考的文章：1.2.

一文读懂联邦学习的前世今生（建议收藏）

热门推荐

JDDTechTalk的博客

11-17

2万+

前言 联邦学习（Federated Learning）作为人工智能的一个新分支，为机器学习的新时代打开了大门。如果投票问人工智能和大数据应用领域有什么好玩又好用的新技术，“联邦学习”一定是排在前列的。这项技术由谷歌在2016年首次提出，从2018年8月开始在国内快速发展和普及，截至2020年2月，有公开资料可查的联邦学习研究或应用单位已超过百家，阿里、微众、京东、腾讯、华为、平安等各领域的头部企业均在大力推进。身边做技术和业务的朋友都在说：忽如一夜春风来，联邦学习突然就在圈子里传播了，在聊天中不发表点联邦

联邦学习开山之作代码解读与收获

一个计算机准研究生的学习博客

10-24

6726

详细阅读FL代码

【联邦学习框架FLGo学习】1安装和介绍

weixin_47251523的博客

02-28

669

FLGo是联邦学习大佬开发和维护的一个联邦学习轻量级框架，原教程贴链接为手把手实战联邦学习本贴主要是记录一下上手学习使用过程中遇到的一些问题。项目地址：https://link.zhihu.com/?教程地址：https://link.zhihu.com/?教程中有中英文教程，但好像更新不如知乎上及时，可以先去知乎专栏文章中学习，讲解的超级好。

人工智能新技术——联邦学习的前世今生（上）

JDD风控算法的博客

05-13

4472

联邦学习（Federated Learning）作为人工智能的一个新分支，为机器学习的新时代打开了大门。JDD风控算法团队将通过联邦学习白话三部曲，为大家揭秘联邦学习的前世今生。

联邦学习隐私保护研究进展

weixin_45585364的博客

07-21

2332

点击上方蓝字关注我们联邦学习隐私保护研究进展王健宗,孔令炜,黄章成,陈霖捷,刘懿,卢春曦,肖京平安科技（深圳）有限公司，广东深圳 518063摘要：针对隐私保护的法律法规相...

视觉、语言与推荐系统中的联邦学习应用

面向图像处理逆问题的扩散模型研究综述

renhongxia1的博客

12-24

图像处理逆问题（如去噪、超分辨率、修复等）旨在从退化观测中重建原始图像，传统方法常受限于不适定性和先验建模的复杂性。扩散模型作为一种新兴的深度生成范式，通过模拟数据在噪声与信号间的双向扩散过程，为逆问题提供了强大的概率重构框架。本综述系统梳理了扩散模型在图像逆问题求解中的研究进展：首先阐释其基于随机微分方程的理论基础；继而分类讨论基于条件生成、得分匹配等技术的重建方法；最后总结其在医学成像、遥感、计算摄影等领域的应用，并探讨当前面临的稳定性、效率等挑战与未来发展方向。

对比：Qwen-VL与传统的CNN在图像处理应用

Peter_Changyb的博客

12-20

1002

CNN是专精于视觉特征提取的专家，而千问VL是具备视觉理解能力的通用多模态智能体。

【图像处理基石】[特殊字符]圣诞特辑：10+经典图像处理算法，让你的图片充满节日氛围感！

智能守恒_HengAI

12-24

673

圣诞季的数字世界总需要点“仪式感”——给照片加飘雪、识别圣诞树、给亲友头像P圣诞帽、把普通场景换成圣诞风…这些看似“一键生成”的效果，背后其实藏着满满的图像处理算法智慧。作为程序员，与其用现成的滤镜APP，不如亲手实现这些圣诞特效！本文从传统计算机视觉（CV）到现代AI算法，拆解10+圣诞主题图像处理算法，附可直接运行的代码片段，新手也能快速上手，让你的圣诞图片自带技术buff✨。快速上手：用OpenCV实现雪花、灯光检测、圣诞帽合成，5分钟出效果；

HANA ODBC驱动64位windows安装包

12-24

HANA ODBC驱动64位windows安装包

windows1121H2 家庭版中文，里面的 bthserv.dll文件

12-24

windows1121H2 家庭版中文，里面的 bthserv.dll文件；

中小技术转移机构如何借助知识产权智能运营平台突破市场竞争加剧，由此打造精准的成果转化成功率？.docx

12-24

聚焦AI+技术转移、院所成果转化与知识产权管理，以人工智能为底座的数智化科技创新平台，为提升区域科技管理与创新能力提供全面解决方案，驱动地方产业升级。

阻止浏览器 refresh 按钮执行（js 版本）

最新发布

12-24

代码下载地址： https://pan.quark.cn/s/6591fa032fae twrpgkikernelforpad 这是一个禁用了动态刷新率，固定刷新率为102的通用5.10内核 (This is an 5.10 gki kernel for pad.It disable dynamic fps and set refresh rate 104）补丁（Patch）:https://.com/nanfaiz/androidgkikernel5.10common/blob/android12-5.10/OWNERS

基于CNN的手写数字识别系统设计与实现

12-24

训练数据保存为deep_convnet_params.pkl，UI使用wxPython编写。卷积神经网络（CNN）是一种专门针对图像、视频等结构化数据设计的深度学习模型，在计算机视觉、语音识别、自然语言处理等多个领域有广泛应用。其核心设计理念源于对生物视觉系统的模拟，主要特点包括局部感知、权重共享、多层级抽象以及空间不变性。 **1. 局部感知与卷积操作** 卷积层是CNN的基本构建块，使用一组可学习的滤波器对输入图像进行扫描。每个滤波器在图像上滑动，以局部区域内的像素值与滤波器权重进行逐元素乘法后求和，生成输出值。这一过程能够捕获图像中的边缘、纹理等局部特征。 **2. 权重共享** 同一滤波器在整个输入图像上保持相同的权重。这显著减少了模型参数数量，增强了泛化能力，并体现了对图像平移不变性的内在假设。 **3. 池化操作** 池化层通常紧随卷积层之后，用于降低数据维度并引入空间不变性。常见方法有最大池化和平均池化，它们可以减少模型对微小位置变化的敏感度，同时保留重要特征。 **4. 多层级抽象** CNN通常包含多个卷积和池化层堆叠在一起。随着网络深度增加，每一层逐渐提取更复杂、更抽象的特征，从底层识别边缘、角点，到高层识别整个对象或场景，使得CNN能够从原始像素数据中自动学习到丰富的表示。 **5. 激活函数与正则化** CNN中使用非线性激活函数来引入非线性表达能力。为防止过拟合，常采用正则化技术，如L2正则化和Dropout，以增强模型的泛化性能。 **6. 应用场景** CNN在诸多领域展现出强大应用价值，包括图像分类、目标检测、语义分割、人脸识别、图像生成、医学影像分析以及自然语言处理等任务。 **7. 发展与演变** CNN的概念起源于20世纪80年代，其影响力在硬件加速和大规模数据集出现后真正显现。经典模型如LeNet-5用于手写数字识别，而AlexNet、VGG、GoogLeNet、ResNet等现代架构推动了CNN技术的快速发展。如今，CNN已成为深度学习图像处理领域的基石，并持续创新。资源来源于网络分享，仅用于学习交流使用，请勿用于商业，如有侵权请联系我删除！

混合现实环境安全防护核心技术与面试考点解析

文档还详细介绍了交互数据隐私保护框架，如差分隐私注入、联邦学习架构下的去中心化训练模式，以及基于行为分析的异常交互检测模型，用于识别潜在的自动化脚本攻击或身份冒用行为。渲染引擎作为视觉呈现的核心组件...