sfakh的博客

模型划分

分布式机器学习理论概念

机器学习模型分割的方法

机器学习入门

机器学习入门

机器学习入门

强化学习定义组成与监督学习的区别假设过程算法定义组成由建立函数、状态、行为、智能体组成。定义：Rt是t时刻的奖励函数值St是t时刻的状态At是t时刻的行为与监督学习的区别强化学习与监督学习的区别如下：1.训练数据中没有标签，只有奖励函数2.训练数据不是直接给定的，而是由行为获得的3.现在的行为不仅影响后续训练数据的获得，也影响奖励函数的取值4.训练的目的是构建一个“状态–>行为”的函数，其中状态描述目前内部和外部的环境，在此情况下，智能体需要通过该函数决定在该状态下应该采取的

卷积神经网络CNN的组成卷积层池化层zero padding全连接层LENET神经网络ALEXNET神经网络较流行的神经网络注意卷积神经网络(Convolutional Neural Network)是一种前馈神经网络。常用于图像领域。CNN的组成CNN由卷积层、池化层、全连接层组成。卷积层卷积层的作用是进行特征提取。通过卷积核在输入数据上进行卷积计算(即卷积核对应输入数据的矩阵和卷积核矩阵的内积运算，对应位置的数字相乘再相加求和)，从而减少数据的维度，达到特征提取和降低维度的作用。如下：对

联邦学习的安全与隐私安全和隐私攻击攻击目标攻击方式1.恶意参与者2.恶意服务器攻击方法投毒攻击对抗攻击参与者GAN攻击推理攻击联邦学习的防御措施安全防御措施1.投毒攻击的防御--异常检测、对抗训练2.对抗攻击防御隐私防御措施1.同态加密与安全多方计算2.差分隐私保护联邦学习面临的挑战联邦学习是一种新型的分布式学习框架，与分布式机器学习中的数据并行化训练具有相似的逻辑结构(即拥有不同训练数据的多个节点共同执行一个机器学习任务)。允许多个参与者之间共享训练数据而不会泄露其数据隐私。参与者的数据隐私可以通过只上

近年来机器学习的发展十分迅速，机器学习被用在很多场景。机器学习的学习方式1.集中学习即传统的机器学习训练，在模型训练之前，各方的数据需要被数据收集者集中收集，然后由数据分析者进行模型训练。数据收集者和数据分析者可以不同缺点：用户的数据被收集之后，用户很难获得对数据的控制权2.联邦学习联邦学习则是通过共享一个全局模型，参与者的数据保留在本地，只需将训练后的模型更新参数上传到参数服务器，由参数服务器整合参数，从而实现模型更新即可。与传统机器学习相比，联邦学习提高了学习效率，还能解决数据孤岛问题，保