暂无评论
2017-12 A survey on heterogeneous transfer learning.pdf
07-noderepr Graph Representation Learning.pdf
模仿学习经常被用在机器人学,这种方法经常遭受数据的错配和组合的错误。 DAgger是一种迭代的算法,解释了聚合的训练数据集中来自专家的和初学者的策略的问题,但是没有考虑到安全性的影响。该方法对DAgg
论文摘要:相关但不同领域的数据分布差异是知识适应的长期问题。提出了一种新的源域知识变换方法,使其与目标函数相适应。该方法利用深度学习方法和目标域有限样本对源域数据集进行变换。它将目标域的有限样本作为启
包括物联网、社交网络和众包在内的新兴技术和应用在网络边缘产生大量数据。机器学习模型通常是根据收集的数据建立的，以便对未来事件进行检测、分类和预测。由于带宽、存储和隐私方面的考虑，将所有数据发送到一个集
摘要 联邦学习(FL)是一种机器学习设置,在这种设置中,许多客户(例如移动设备或整个组织)在中央服务 器(例如服务提供商)的协调下协作地训练模型,同时保持训练数据分散。FL体现了集中数据收集和最 小化
联合学习（FL）是一种从分散数据源训练机器学习模型的技术。我们在本地差异性隐私约束下研究FL，这通过在离开客户端之前对数据进行混淆来提供针对敏感数据泄露的强大保护。.. 在设计实用的隐私保护FL算法时
联邦学习(FL)是一种机器学习设置,许多客户(例如移动设备或整个组织)在保持数据分散的同时协同训练一个模型。
联邦学习Advances and Open Problems in Federated Learning，谷歌最新力作，分析了联邦学习最新研究热点和未来的方向
联邦蒸馏是联邦学习中的一种新的算法范式使客户端能够训练不同的网络架构.在联邦蒸馏中学生可以通过提取客户端对公共服务器数据的平均预测来学习他人的信息而不会牺牲他们的个人数据隐私.然而仅使用平均软标签作为
暂无评论