文章目录论文信息摘要主要贡献verticallyfederatedGNN(VFGNN)执行过程1.生成初始节点嵌入2.生成局部节点嵌入3.生成全局节点嵌入4.采用DP增强隐私论文信息原文地址：https://www.ijcai.org/proceedings/2022/0272.pdf摘要GraphNeuralNetwork(GNN)hasachievedremarkableprogressesinvariousreal-worldtasksongraphdata,consistingofnodefeaturesandtheadjacentinformationbetweendifferent

一、什么是变分推断假设在一个贝叶斯模型中，xxx为一组观测变量，zzz为一组隐变量（参数也看做随机变量，包含在zzz中），则推断问题为计算后验概率密度P=(z∣x)P=(z|x)P=(z∣x)。根据贝叶斯公式，有：p(z∣x)=p(x,z)p(x)=p(x,z)∫p(x,z)dzp(z|x)=\frac{p(x,z)}{p(x)}=\frac{p(x,z)}{\intp(x,z)dz}p(z∣x)=p(x)p(x,z)​=∫p(x,z)dzp(x,z)​但是在实际应用中，可能由于积分没有闭式解，或者是指数级的计算复杂度等原因，导致计算上面公式中的积分往往是不可行的。变分推断就是用来解决这个问题

一、什么是变分推断假设在一个贝叶斯模型中，xxx为一组观测变量，zzz为一组隐变量（参数也看做随机变量，包含在zzz中），则推断问题为计算后验概率密度P=(z∣x)P=(z|x)P=(z∣x)。根据贝叶斯公式，有：p(z∣x)=p(x,z)p(x)=p(x,z)∫p(x,z)dzp(z|x)=\frac{p(x,z)}{p(x)}=\frac{p(x,z)}{\intp(x,z)dz}p(z∣x)=p(x)p(x,z)​=∫p(x,z)dzp(x,z)​但是在实际应用中，可能由于积分没有闭式解，或者是指数级的计算复杂度等原因，导致计算上面公式中的积分往往是不可行的。变分推断就是用来解决这个问题

文章目录前言案例unity2019.4.10外发光进阶带方向的外发光裁剪进阶带边缘色的裁剪溶解进阶带边缘色溶解卡通阴影水波纹积雪效果不锈钢效果UV抖动水波纹红旗飘飘马赛克无贴图水球无贴图火焰无贴图旋涡无贴图闪电全息效果水面波动物体靠近局部溶解案例unity2021.3.6发光线框能量罩激光光束管道液体流动水瓶液体借鉴链接前言打开unity的PackgeManager安装ShaderGraph和UniversalRP，如果使用高清渲染管线需要安装HighDefinitionRP,都安装完后通过菜单Assets–Create--Rendering创建渲染管线配置注：如果没有Rendering是因为

文章目录前言案例unity2019.4.10外发光进阶带方向的外发光裁剪进阶带边缘色的裁剪溶解进阶带边缘色溶解卡通阴影水波纹积雪效果不锈钢效果UV抖动水波纹红旗飘飘马赛克无贴图水球无贴图火焰无贴图旋涡无贴图闪电全息效果水面波动物体靠近局部溶解案例unity2021.3.6发光线框能量罩激光光束管道液体流动水瓶液体借鉴链接前言打开unity的PackgeManager安装ShaderGraph和UniversalRP，如果使用高清渲染管线需要安装HighDefinitionRP,都安装完后通过菜单Assets–Create--Rendering创建渲染管线配置注：如果没有Rendering是因为

 摘要许多公司为用户提供神经网络预测服务，应用范围广泛。然而，目前的预测系统会损害一方的隐私:要么用户必须将敏感输入发送给服务提供商进行分类，要么服务提供商必须将其专有的神经网络存储在用户的设备上。前者损害了用户的个人隐私，而后者暴露了服务提供商的专有模式。我们设计、实现并评估了DELPHI，这是一个安全的预测系统，允许双方在不泄露任何一方数据的情况下执行神经网络推理。DELPHI通过同时联合设计密码学和机器学习来解决这个问题。我们首先设计了一种混合加密协议，在通信和计算成本上比之前的工作有所提高。其次，我们开发了一个规划器，自动生成神经网络架构配置，导航我们的混合协议的性能精度权衡。与之前最

 摘要许多公司为用户提供神经网络预测服务，应用范围广泛。然而，目前的预测系统会损害一方的隐私:要么用户必须将敏感输入发送给服务提供商进行分类，要么服务提供商必须将其专有的神经网络存储在用户的设备上。前者损害了用户的个人隐私，而后者暴露了服务提供商的专有模式。我们设计、实现并评估了DELPHI，这是一个安全的预测系统，允许双方在不泄露任何一方数据的情况下执行神经网络推理。DELPHI通过同时联合设计密码学和机器学习来解决这个问题。我们首先设计了一种混合加密协议，在通信和计算成本上比之前的工作有所提高。其次，我们开发了一个规划器，自动生成神经网络架构配置，导航我们的混合协议的性能精度权衡。与之前最

一、题目大意存在一个无向图，图中有n个节点。其中每个节点都有一个介于0到n-1之间的唯一编号。给你一个二维数组graph，其中graph[u]是一个节点数组，由节点u的邻接节点组成。形式上，对于graph[u]中的每个v，都存在一条位于节点u和节点v之间的无向边。该无向图同时具有以下属性：不存在自环（graph[u]不包含u）。不存在平行边（graph[u]不包含重复值）。如果v在graph[u]内，那么u也应该在graph[v]内（该图是无向图）这个图可能不是连通图，也就是说两个节点u和v之间可能不存在一条连通彼此的路径。二分图定义：如果能将一个图的节点集合分割成两个独立的子集A和B，并使图

一、题目大意存在一个无向图，图中有n个节点。其中每个节点都有一个介于0到n-1之间的唯一编号。给你一个二维数组graph，其中graph[u]是一个节点数组，由节点u的邻接节点组成。形式上，对于graph[u]中的每个v，都存在一条位于节点u和节点v之间的无向边。该无向图同时具有以下属性：不存在自环（graph[u]不包含u）。不存在平行边（graph[u]不包含重复值）。如果v在graph[u]内，那么u也应该在graph[v]内（该图是无向图）这个图可能不是连通图，也就是说两个节点u和v之间可能不存在一条连通彼此的路径。二分图定义：如果能将一个图的节点集合分割成两个独立的子集A和B，并使图

本文是跟着李沐老师的论文精度系列进行GNN的学习的，详细链接请见：零基础多图详解图神经网络（GNN/GCN）【论文精读】该论文的标题为《AGentleIntroductiontoGraphNeuralNetworks》，是对GNN的简介。那么论文的第一张图呢把鼠标放上去某一个结点将会表示出该节点的生成过程，可以看到放于Layer1中的某个节点时，它是由Layer2中的多个节点生成，而Layer2中的这些结点又有Layer3的部分节点生成，因此只要层次够深，那么一个节点就可以处理原始大片节点的信息。图这种数据结构在当前随处可见，因此图神经网络如果能够发挥对图这种结构的良好处理能力，将会有很广泛的