- 博客(25)
- 收藏
- 关注
RSS订阅原创 Linucb学习例子
在这个简化的例子中，由于所有顾客的特征相同，LinUCB很快学会了菜品B是最适合的选择，因为它对于这类顾客来说具有较高的预期奖励。让我们设想一个餐厅推荐系统的场景，其中我们有三个菜品（臂），每个菜品都有其独特的吸引力，而顾客有不同的偏好（上下文）。为简化说明，我们将使用固定的数值代替随机生成的数据，并且假设所有顾客的特征都是一样的，即[1, 0]表示一位年轻的男性顾客。观察奖励：实际奖励是从臂B的真实收益函数得出的，即 y = [1, 0] · [0.8, -0.2] = 0.8。
2024-12-31 11:33:31
736
原创 UCB&Bandit 实现学习整理12.30p1
Contextual Bandits: LinUCB - 知乎meat_dish, # 荤菜veggie_dish, # 素菜gender_male, # 男gender_female, # 女breakfast, # 早饭lunch, # 午饭dinner # 晚饭])return xitems = [for t in range(T): # T个客人依次进入餐馆具体来说Linucb中的特征设计以及实现是否有什么要求呢？
2024-12-30 16:23:06
370
原创 多臂老虎机Multi-armed Bandit及其扩展学习
client 申请ec判断是否允许聚合目标从传统MAB寻找更好的变成避免部分最差的？分层FL能否降低复杂度？对于MDFL(Malicious Detecting Federated Learning)中上下文信息/向量的设计？(参与次数，拒绝次数，本地迭代次数，本地准确率？
2024-12-17 10:55:00
361
原创 Pysyft学习笔记，12Part X - 对MNIST进行安全的训练和评估
在构建机器学习即服务解决方案（MLaaS）时，公司可能需要请求其他合作伙伴访问数据以训练其模型。在卫生或金融领域，模型和数据都非常关键：模型参数是业务资产，而数据是严格监管的个人数据。在这种情况下，一种可能的解决方案是对模型和数据都进行加密，并在加密后的值上训练机器学习模型。例如，这保证了公司不会访问患者的病历，并且医疗机构将无法观察他们贡献的模型。存在几种允许对加密数据进行计算的加密方案，其中包括安全多方计算（SMPC），同态加密（FHE / SHE）和功能加密（FE）。
2024-04-08 23:03:18
493
原创 Pysyft学习笔记，11安全深度学习分类
在这种情况下，一种潜在的解决方案是以一种方式对模型和数据进行加密，以允许一个组织使用另一组织拥有的模型，而无需将其IP彼此公开。存在几种允许对加密数据进行计算的加密方案，其中最为人熟知的类型是安全多方计算（SMPC），同态加密（FHE / SHE）和功能加密（FE）。您对模型（神经网络）进行加密。然后，您与拥有自己的一些数据的客户联系，该客户希望访问您的模型以做出一些预测。中是标准的半诚实（译者注：honest-but-curious，指的是遵循协议但会试图窃取隐私信息的敌手）敌手模型中是安全的。
2024-04-08 22:35:40
1162
原创 Pysyft学习笔记，10安全聚合的联邦学习
20Learning％20via％20Trusted％20Aggregator.ipynb)，我们在那里有一个“受信任的聚合器”，负责平均多个工作机的模型更新。现在，我们将使用新的工具进行加密计算，以删除此受信任的聚合器，因为它不理想，因为它假定我们可以找到足够值得信任的人来访问此敏感信息。在最后几节中，我们通过构建几个简单的程序来学习加密计算。在本节中，我们将返回到[第4部分的联合学习演示](因此，在这个笔记本中，我们将展示如何使用SMPC来执行安全聚合，这样我们就不需要“受信任的聚合器”。
2024-04-08 17:55:06
418
原创 Pysyft学习笔记，09加密程序简介
信不信由你，有可能使用加密数据进行计算。换句话说，可以在程序中对所有变量进行加密的情况下运行该程序！在本教程中，我们将逐步介绍加密计算的基本工具。特别地，我们将集中于一种流行的方法，称为安全多方计算。在本课程中，我们将学习如何构建一个可以对加密数字执行计算的加密计算器。
2024-04-08 17:43:01
485
原创 Pysyft学习笔记，08bis - 协议介绍
它是一个高级对象，其中包含分布在多个工作程序中的复杂计算的逻辑。协议的主要特征是能够在工作人员之间发送/搜索/取回，并最终部署到确定的工作人员中。因此，用户可以设计协议，然后将其上载到Cloud Worker，其他任何Worker都可以搜索，下载并在其所连接的Worker上应用其包含的计算程序。协议协调一系列计划，并将其部署在远方的工作人员上并一次性运行它们。现在我们已经完成了计划，我们将引入一个称为。
2024-04-08 16:59:56
226
原创 Pysyft学习笔记，07使用FederatedDataset进行联邦学习
看看拥有部分数据的工作机。类，该类旨在像PyTorch Dataset类一样使用，并提供给联合数据加载器。在这里，我们介绍了一种使用联合数据集的新工具。，它将以联合方式对其进行迭代。在这里，我们将获取的数据转换为。
2024-04-08 16:38:10
393
原创 Pysyft学习笔记，06Minst+CNN
因此，联合学习的兴起与数据隐私意识的传播紧密相关，并且自2018年5月起实施数据保护的欧盟GDPR成为催化剂。想法是，数据保留在其生产者（也称为_worker_）的手中，这有助于改善隐私和所有权，并且该模型在工作机之间共享。例如，一种直接的应用程序是在编写文本时预测手机上的下一个单词：您不希望将用于训练的数据（即，短信）发送到中央服务器。，现在我们发布了利用新的PyTorch 1.0版本提供了直观的界面来构建安全且可扩展的模型。我们将遍历示例的每个部分，并在不同的代码后着重标注。修改dataloader。
2024-04-01 18:40:27
476
原创 Pysyft学习笔记，04FedAVG
在这个玩具示例中，平均模型相对于本地训练的纯文本模型表现不佳，但是我们能够在不暴露每个工人的训练数据的情况下对其进行训练。我们还能够在可信任的聚合器上聚合每个工作人员的更新模型，以防止数据泄露给模型所有者。在未来的教程中，我们的目标是直接使用梯度进行可信聚合，以便我们可以使用更好的梯度估计来更新模型并获得更强大的模型。
2024-04-01 11:15:04
254
原创 Pysyft学习笔记03，高级远程执行工具
在上一节中，我们使用联合学习训练了一个玩具模型。为此，我们在模型上调用了.send()和.get()，将其发送到训练数据的位置，对其进行了更新，最后将其恢复。但是，在示例的最后，我们意识到我们需要进一步保护人们的隐私。也就是说，我们要在调用.get()之前对梯度进行平均。这样，我们将永远不会看到任何人的确切坡度（因此更好地保护了他们的隐私！！！FedAVG？
2024-03-31 23:58:49
255
1
原创 Pysyft学习笔记02，开始FL
它是训练深度学习模型的一种简单而强大的方法。考虑一下训练数据，一般它总是某种收集过程的结果：人们（通过设备）通过记录现实世界中的事件来生成数据。通常，此数据被聚合到单个中央位置，以便您可以训练机器学习模型。而联邦学习扭转了这一局面！你无需将训练数据带到模型（一个中央服务器），而是将模型带到训练数据（无论其位于何处）。这个想法允许创建数据的任何人拥有数据唯一的永久副本，从而保持对有权访问该数据的人的控制。很酷吧？#训练示例#2.1 一个玩具联合学习的例子'''让我们从一个集中式训练的玩具模型开始。
2024-03-31 23:09:37
303
1
原创 Pysyft学习笔记01，开始
相反，它们仅包含有关存储在另一台机器上的张量（带有数据）的元数据。这些张量的目的是为我们提供一个直观的API，以告诉其他机器使用该张量来计算函数。最后，就像我们可以在张量上调用 .send()一样，我们可以在指向张量的指针上调用.get()来恢复它！如您所见，Bob不再具有张量！他们已经搬回我们的机器了！这是我们第一个指向张量的。此时的bob._objects。张量的指针本身实际上并。时，它返回了一个称为。
2024-03-31 21:42:45
410
1
原创 Pysyft实验05（MINST识别）
这可能是由于在发送模型之前,模型对象的指针已经被取回到本地,导致远程对象被删除。通过这种方式,在每次迭代时,模型会被发送到数据所在的远程节点进行计算,计算完成后会自动返回本地。目前你的代码在每次训练迭代时都会发送模型到远程节点,这可能导致远程对象被覆盖或删除。通过这种方式,我们可以正确地在远程执行模型的前向和backward传播,同时避免了尝试在模型实例上调用。最后,你可以查看 PySyft 的官方文档和示例,了解更多联邦学习和远程模型训练的最佳实践。方法可确保在执行完远程计算后,模型会自动返回本地。
2024-03-28 19:46:35
967
1
原创 Pysyft实验2
本次实验没报错，但长时间没有输出，尝试i降低学习质量后也没有解决，如果有看到的大佬懂是为什么望不吝赐教，谢谢。代码参考：pysyft实战笔记 - 知乎 (zhihu.com)
2024-03-28 10:37:22
303
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人