这是发表在2022IEEETRANSACTIONSONINFORMATIONFORENSICSANDSECURITY（TIFS）上的一篇文章目录abstract主要贡献II.RELATEDWORKB.Blockchain-BasedFederatedLearningIII.PRELIMINARIESA.FederatedLearningB.PoisoningAttacksCheon-Kim-Kim-Song（AFHEsheme）智能合约IV.PROBLEMFORMULATIONB.问题定义C.威胁模型D.设计目标方案设计B.ConstructionofPBFL本地计算归一化判断模型聚合max函
文章目录摘要1、介绍1.1八卦协议和拜占庭攻击者1.2我们的研究结果1.3相关工作2、初步和标记3、拜占庭弹性网络3.1概述3.2双链同步3.3同步功能3.4同步协议4.安全证明4.1膨胀器抵抗顶点删除4.2同步协议安全5.完全确保pos共识5.1衔尾蛇5.2扩散vs.同步5.4多时代普拉斯摘要点对点通信网络最成功的应用之一是在区块链协议上下文中，用中本聪自己的话说，这种协议依赖于“信息易于传播和难以抑制的特性”。在过去的十年中，人们投入了大量的精力来分析这些协议的安全性，而众所周知的最长链中本式共识的安全性论证总是使用这一原则的理想化。不幸的是，区块链协议所使用的peer-topeer-绯闻
DocTamper: https://github.com/qcf-568/DocTamper Introduction文件图像是现代社会最重要的信息传播媒介之一，它包含了大量的敏感和隐私信息，如电话号码。随着图像编辑技术的快速发展，这种敏感的文本信息更容易被恶意篡改，构成欺诈等，造成严重的信息安全风险[33,42,48,50]。因此，检测文档图像中的篡改已成为近年来重要的研究课题[18,47]。开发有效的方法来检查文档图像是否被修改，同时确定篡改文本的确切位置是至关重要的。大多数文档图像中的文本篡改方法大致可以分为三种类型:(1)拼接，将一个图像中的区域复制并粘贴到其他图像中;(2)Copy
一开始接触区块链技术，只是出于工程问题的需要，结果后来学术问题也要走这个方向了。机缘巧合定了共识问题为现在的研究方向，主要考虑大网络中的共识，也就是有关区块链扩容的部分。后续我应该也希望好好写一些区块链的扩容问题的专题。但总之，万变不离其宗，实用拜占庭容错共识算法我想一定是共识领域里逃不开的一篇文章。1.介绍researchgap现有的算法主要是基于同步网络的假设现有的算法在不太实用slow（之前的bft共识的通信复杂度大概在指数量级，根本没法用）本文的贡献在部分异步模型的假设下，提出一种兼具安全性和活性的共识算法/状态复制算法，容错率为1/3，通信复杂度降到多项式级（一般过程为平方阶视图切换
基于MECE原则，我们给出以下四个分类标准：1、数据表示。数据表示是指3D点云数据如何在神经网络中表示。三种主要的数据表示类型是体素、点和图。体素化：在体素化表示中，3D点云被离散成一个体素网格，每个体素由一个特征向量表示。这种表示通常用于需要全局上下文的任务，例如分割和形状分析。点：在点表示中，每个3D点由一个特征向量表示，点之间的关系编码在神经网络架构中。这种表示通常用于需要局部上下文的任务，例如分类和识别。图：在图表示中，3D点云表示为一个图，其中点是节点
BEVFusion:ASimpleandRobustLiDAR-CameraFusionFrameworkBEVFusion：一个简单而强大的LiDAR-相机融合框架NeurIPS2022多模态传感器融合意味着信息互补、稳定，是自动驾驶感知的重要一环，本文注重工业落地，实际应用融合方案:前融合（数据级融合）指通过空间对齐直接融合不同模态的原始传感器数据。深度融合（特征级融合）指通过级联或者元素相乘在特征空间中融合跨模态数据。后融合（目标级融合）指将各模态模型的预测结果进行融合，做出最终决策。//框架与以前的激光雷达-相机融合方法的比较:a.将图像特征投影到原始点云上的点级融合机制从点出发，从点
对于《RobustBlockchainedFederatedLearningwithModelValidationandProof-of-StakeInspiredConsensus》的讨论文章概述本文主要是根据GoogleFL和VanillaFL为基础进行创新的，发表于2021年。其中VanillaFL是Google公司于2017年写的一篇论文《Communication-EfficientLearningofDeepNetworksfromDecentralizedData》中提到的方法，也是全球第一个提出联邦学习的论文。GoogleFL也是Google公司于2017年写的一篇论文《Fed
论文地址：https://arxiv.org/abs/2304.02008源码地址：https://github.com/cvg/GlueStick概述 针对视角变化时在闭塞、无纹理、重复纹理区域的线段匹配难的问题，本文提出一种新的匹配范式（GlueStick），该方法基于深度图神经网络将点、线的描述符统一到一个框架中，利用点之间的信息将来自匹配图像之间的线进行粘合，提高了模型的联合匹配效率，表明了在单一框架中使用两种特征的互补性能大幅度提升性能。本文的主要贡献如下：使用数据驱动的方法代替启发式几何策略进行线匹配，在统一的框架中联合表征点与线。提供了一种新的架构，充分挖掘图像内特征之间的局部
相信我，翻译一本书是一件很辛苦的事情。译者在从书中不断汲取知识以完善自己的知识体系的同时，也将自己的观点与想法融入翻译的每个阶段，整个过程需要耐心、静心，需要字斟句酌，更需要信守一份承诺——既是对自己的承诺，亦是对广大读者的承诺。翻译一本书也是一件很有成就感的事情。感谢我的同事文杰、周伟、凌锐和凌云。他们都是凯捷咨询数字化团队大家庭的一员，在半年的翻译工作中，他们亲密协作，彼此支持。因为他们都相信，学习对于每个人不仅仅是积累知识，更是由内而外地发散出智慧，同时也是作为程序员所坚持的工程师文化。几位译者都在软件行业深耕多年，在凯捷咨询数字化团队承担着重要的职责，他们在本书中融入了许多自己的经验和
经过紧张激烈的投票和严格的专家评审环节，“掘进技术引力榜”活动在上周的稀土掘金开发者大会上公布了「2023年度ROBUST开源项目」奖项的获奖名单，ApacheDolphinScheduler名列其中。ApacheDolphinScheduler代表上台领奖（右三）掘金技术引力榜「2023年度ROBUST开源项目」奖杯作为一款分布式易用的开源分布式任务调度系统，ApacheDolphinScheduler的获奖不仅体现了其在技术创新和社区发展方面的卓越表现，更彰显了开源社区的力量和价值。开源软件一直以来都扮演着技术创新和共享精神的重要角色。如今，ApacheDolphinScheduler荣获
