Biscotti:ABlockchainSystemforPrivateandSecureFederatedLearning"译为“Biscotti：一个用于隐私和安全联邦学习的区块链系统”这是IEEETransactionsonParallelandDistributedSystems21（简称TPDS）上的一篇联邦学习和区块链相结合的文章。众所周知，TPDS是CCFA类期刊，上面论文的质量都不错，因此选读了这篇论文。以下内容，是自己阅读完后的一些小笔记，有不懂和疑问的地方，记录的都是个人认为重点的地方。原文链接：Biscotti:ABlockchainSystemforPrivateand

总模型结构一个promptencoder，对提示进行编码，imageencoder对图像编码，生成embedding,最后融合2个encoder，再接一个轻量的maskdecoder，输出最后的mask。模型结构示意图：流程图：模型的结构如上图所示.prompt会经过promptencoder,图像会经过imageencoder。然后将两部分embedding经过一个轻量化的maskdecoder得到融合后的特征。encoder部分使用的都是已有模型，decoder使用transformer。imageencoder利用MAE(MaskedAutoEncoder)预训练的ViT模型,对每张图片

一、研究现状    早期图像生成方法主要是变分自动编码器（VariationalAutoencoders,VAEs)，该算法利用编码器和解码器以及变分推断的方法学习隐空间到真实图像空间的映射从而完成图像的生成。其优势是特征空间可迁移并且训练较为稳定，但是不容易进行模型评估，当输入的图像数据的分布情况复杂时，其学习到的特征泛化能力不足，而且生成的图像模糊。    生成对抗网络(GenerativeAdversarialNetworks,GAN)通过生成器与判别器的动态博弈来优化模型，允许以良好的感知质量对高分辨率图像进行有效采样，生成的图像比较清晰。但该方法模型训练不稳定并难以捕捉完整的数据分布

TrustFed:AFrameworkforFairandTrustworthyCross-DeviceFederatedLearninginIIoT"译为“TurstFed：在工业物联网中一种公平可信的跨设备联邦学习框架”这篇文章是IEEETransactionsonIndustrialInformatics21上的一篇联邦学习和区块链相结合应用到物联网中的文章。总体来看，本文内容还不错，明确指出了现存的主要问题，并针对这几个问题进行了解答，对读者的帮助还是很大的，但是一个框架型方案，对具体的细节解释还不够深入！以下是个人根据自身读后的感悟，并整理的一些学习笔记，随性记录，并不一定按照文章结

Privacy-PreservingByzantine-RobustFederatedLearningviaBlockchainSystems可译为“利用区块链实现隐私保护的拜占庭鲁棒性联邦学习”这篇是今年八月份被TIFS2022（CCFA）收录的文章，写的利用全同态加密和区块链技术解决联邦学习中隐私问题和可信问题（虽然区块链仅仅只是存储的作用，也稍微提了一下）。精读完这篇文章，整体感觉还不错，毕竟是CCFA类期刊。下面是自己读后感，根据自己的语言来做了一些笔记，也相当于回顾。其中，有理解不到位的地方望指正，建议读者还是看原文。原文链接：Privacy-PreservingByzantine-

Privacy-PreservingByzantine-RobustFederatedLearningviaBlockchainSystems可译为“利用区块链实现隐私保护的拜占庭鲁棒性联邦学习”这篇是今年八月份被TIFS2022（CCFA）收录的文章，写的利用全同态加密和区块链技术解决联邦学习中隐私问题和可信问题（虽然区块链仅仅只是存储的作用，也稍微提了一下）。精读完这篇文章，整体感觉还不错，毕竟是CCFA类期刊。下面是自己读后感，根据自己的语言来做了一些笔记，也相当于回顾。其中，有理解不到位的地方望指正，建议读者还是看原文。原文链接：Privacy-PreservingByzantine-