feng_zhiyu的博客

本文首发于Feng Yu的空间Algorand: Scaling byzantine agreements for cryptocurrencies文章链接：https://doi.org/10.1145/3132747.3132757作者：Yossi Gilad, Rotem Hemo, Silvio Micali, Georgios Vlachos, Nickolai Zeldovich发表：SOSP '17: Proceedings of the 26th Symposium on Opera

本文首发于https://yu-feng.top/写在前面​ 参考文献《Federated Learning: Challenges, methods, and future, 2020》，较为详细的介绍当前FL的挑战和解决方法以及未来可能的研究方向或切入点。Federated Learning: Challenges, methods, and future摘要​ 联邦学习在保持数据本地化的同时涉及在远程设备或孤立的数据中心（例如手机或医院）上训练统计模型。在异构网络和潜在大规模网络中进行训练

本文首发于https://yu-feng.top/写在前面​ 参考文献《Advances and Open Problems in Federated Learning, 2019》，58位作者的105页文章。笔者当前花了一些时间来阅读这篇论文，由于能力有限，只做一些感兴趣点的记录和分析。另引用内容见文末参考文献，如侵权请联系笔者。欢迎讨论~Advances and Open Problems in Federated Learning, 2019摘要​ 联合学习（FL）是在中央服务器（例如服务提

本文首发于https://yu-feng.top/写在前面笔记主要参考《Federated Machine Learning Concept and Applications》和《联邦学习》。作为一个入门笔记，可以当作是论文译文也可以作为进一步学习的框架。按照该论文做的一个框架，同时尽量将《联邦学习》书中部分内容进行整合，当然最好是能够利用好这本书相关研究内容。摘要当今人工智能仍然面临两大挑战：在大多数工业中，数据以 “孤岛”形式存在加强数据隐私和安全问题针对上述挑战提出可能的解决方法：