文章目录横向联邦学习的定义横向联邦学习架构客户-服务器架构对等网络架构联邦平均算法横向联邦学习的定义横向联邦学习也称为按样本划分的联邦学习，可以应用于联邦学习的各个参与方的数据集有相同的特征空间和不同的样本空间的场景，类似于在表格视图中对数据进行水平划分的情况。例如，两个地区的城市商业银行可能在各自的地区拥有非常不同的客户群体，所以他们的客户交集非常小，他们的数据集有不同的样本ID。然而，他们的业务模型非常相似，因此他们的数据集的特征空间是相同的。这两家银行可以联合起来进行横向联邦学习以构建更好的风控模型。横向联邦学习架构客户-服务器架构具有K个参与方（客户端）在服务器的帮助下，协作地训练一个
是否可以使用MySQL客户端编写跨服务器选择查询。基本上设置如下。服务器IP 数据库--------- --------1.2.3.4 测试a.b.c.d 测试我想编写一个查询，该查询将从1.2.3.4上的测试数据库中的表中选择行，并将表中的结果插入到a.b.c.d上的测试数据库中我的服务器相距数英里，因此我将打开一个SSH隧道来连接两者。任何指针？ 最佳答案 在其中一台服务器上使用联合表怎么样？根据您将在查询中使用的远程表创建联合表，并像您的数据库都是本地的一样运行您的查询。以下示例来自MySQLs
是否可以使用MySQL客户端编写跨服务器选择查询。基本上设置如下。服务器IP 数据库--------- --------1.2.3.4 测试a.b.c.d 测试我想编写一个查询，该查询将从1.2.3.4上的测试数据库中的表中选择行，并将表中的结果插入到a.b.c.d上的测试数据库中我的服务器相距数英里，因此我将打开一个SSH隧道来连接两者。任何指针？ 最佳答案 在其中一台服务器上使用联合表怎么样？根据您将在查询中使用的远程表创建联合表，并像您的数据库都是本地的一样运行您的查询。以下示例来自MySQLs
文章目录论文信息摘要主要贡献聚类驱动的图联邦学习问题定义联邦聚类聚类模型聚类模型的联系FedCG框架论文信息Cluster-drivenGraphFederatedLearningoverMultipleDomains原文链接：Cluster-drivenGraphFederatedLearningoverMultipleDomains：https://openaccess.thecvf.com/content/CVPR2021W/LLID/papers/Caldarola_Cluster-Driven_Graph_Federated_Learning_Over_Multiple_Domain
每日一诗：题竹（十三岁应试作于楚王孙园亭）——明*张居正绿遍潇湘外，疏林玉露寒。凤毛丛劲节，只上尽头竿。近期在阅读联邦学习领域相关文献，简单介绍如下文。本文仅供学习，无其它用途。如有错误，敬请批评指正！一、联邦学习（FederatedLearning，FL）：举目四望皆”联邦“，“信息孤岛”尽凉凉1.通俗理解：传统的机器学习算法需要用户将源数据上传到高算力的云服务器上集中训练，这种方式导致了数据流向的不可控和敏感数据泄露问题，联邦学习联邦学习能够在多方数据源聚合的场景下协同训练全局最优模型，将机器学习的数据存储和模型训练阶段转移至本地用户，仅与中心服务器交互模型更新的方式有效保障了用户的隐私安
Embedding是分析非结构化数据的重要方式，当我们将图片、声音编码为向量后，这些数据依旧能够保留原始数据（图片、声音等）的详细信息。然而，我们很难直接对这些编码后的向量中的数字与原始数据建立联系，想要弄清楚向量构成的空间到底意味着什么就更是难上加难了。本篇文章，我们将以向量Embedding场景中最重要的应用“以图搜图”为例，通过使用开源工具Feder来剖析相似性检索场景中的向量空间到底是怎样的，以及介绍最常用的向量索引IVF_FLAT在空间中的结构表现、它的数据检索过程是如何进行的。向量检索常见场景：“以图搜图”日常网络数据中，图片、视频等非结构化数据越来越多。“以图搜图”这种新型信息检
论文题目：LearningintheAir:SecureFederatedLearningforUAV-AssistedCrowdsensing核心思想：在联邦学习中加入区块链技术，利用区块链的抗单点故障和不可变性，解决联邦学习仍存在的安全性问题；利用强化学习的两层激励机制，使联邦学习的各参与方能够持续的参与联邦过程。场景4种角色：UAVs、任务发布者、边缘计算(MEC)节点、联盟链6个过程：1：任务发布者向MEC节点提交任务请求2：MEC节点发布全局模型到区块链3：UAVs从区块链中下载全局模型，利用本地数据训练本地模型4：UAVs训练结束后上传本地模型更新到区块链5：MEC节点从区块链中检
参考链接https://github.com/originjs/vite-plugin-federation/blob/main/README-zh.md，里面也有dome可以进行查看webpack也有这个插件，比vite好用，vite不支持本地，必须要打包后开启服务才可以先下载(只要用到的项目都需要进行下载)npminstall@originjs/vite-plugin-federation--save-dev1、新建两个vite+vue的项目（one,two项目名）one项目中（主）----vite.config.jsimage.png注意：上面图片中的shared这个里面要把你组件中使用
TowardsPersonalizedFederatedLearning一、背景二、解决策略2.1策略一.全局模型个性化2.2策略二.学习个性化模型三、具体方案3.1全局模型个性化3.1.1基于数据：减少客户端数据统计异构性3.1.2基于模型：在学习一个强大的全局模型，以便进行个性化设置或提高本地模型的适应性能3.1.3全局模型个性化方法对比3.2学习个性化模型3.2.1基于架构的方法:旨在通过针对每个客户量身定制的定制模型设计来实现个性化3.2.2基于相似性的方法：旨在通过对客户关系进行建模来实现个性化3.2.3学习个性化模型方法对比四、相关文献：尝试记录一下最近看的论文，顺便当个笔记同步了
TowardsPersonalizedFederatedLearning一、背景二、解决策略2.1策略一.全局模型个性化2.2策略二.学习个性化模型三、具体方案3.1全局模型个性化3.1.1基于数据：减少客户端数据统计异构性3.1.2基于模型：在学习一个强大的全局模型，以便进行个性化设置或提高本地模型的适应性能3.1.3全局模型个性化方法对比3.2学习个性化模型3.2.1基于架构的方法:旨在通过针对每个客户量身定制的定制模型设计来实现个性化3.2.2基于相似性的方法：旨在通过对客户关系进行建模来实现个性化3.2.3学习个性化模型方法对比四、相关文献：尝试记录一下最近看的论文，顺便当个笔记同步了
