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
【开源项目】ProjectBasedLearning基于项目的学习简介ProjectBasedLearning是一个集合了很多学习资源的项目，有一系列主流编程语言的编程教程，可以在其中通过从头开始构建项目学习到很多实际项目的技能。项目地址：https://github.com/practical-tutorials/project-based-learning这些项目教程涉及了很多编程语言与技术。项目目录如下:C#C/C++ClojureDartElixirErlangF#GoHaskellHTML/CSSJavaJavaScriptKotlinLuaOCamlPHPPythonRRubyRu
引言：北京时间：2023/6/5/9:25，今天8点45分起床，一种怎么都睡不够的感觉，特别是周末，但是如果按照我以前的睡觉时间来看，妥妥的是多睡了好久好久，并且昨天也睡了一天，哈哈哈，睡觉这方面，真的睡能比我强，昨天是实训课，课程内容主要就是做一些C语言二级的题目，虽然还没开始上什么实训课的时候，我就知道这个课肯定是划水，但是没想到可以这么划，So，接下来4天都每课，我们一定要实现日更，这个星期坚持更文6篇，将周榜名次给抢回来，步入正题，今天就让我们一起学习一下有关C++11的内容吧！具体内容也就是C++11的入门基础知识，当然重点在于有关右值引用相关知识，并且当我们将C++11学习的差不多
基本简介论文下载地址：https://arxiv.org/abs/1612.00593代码开源地址：https://github.com/charlesq34/pointnet作者以及论文信息如下：论文作者的公开课链接：https://www.shenlanxueyuan.com/channel/8hQkB6hqr2/detail（大佬的课必须去感受下啊~~）最近，开始研究基于3D点云的深度学习算法。PointNet作为基于3D点的特征提取的开创性论文，非常有必要好好研究总结。在翻译论文时，会结合代码来解释每一个关键点或者关键模块。同时，本文翻译会附英文原文和中文翻译对照，目的是为了让大家能够
引言北京时间：2023/5/31/22:02，昨天的计算机导论考试，三个字，哈哈哈，摆烂，大致题目都是一些基础知识，但是这些基础知识都是非常非常理论的知识，理论的我一点不会，像什么操作系统的分类，什么IP地址的计算，什么网络协议，反正是什么都不会，而且还有什么填空题，像什么秘钥什么什么鬼的，具体我不太记得清了，反正听都没听说过，哈哈哈！最烦人的题目还属是IP地址，计算什么子网个数，什么什么地址，反正一点不会，要不是有考一些进制转换和有关硬件方面的知识，可能连50分都考不到，总体来说，在我东扯西扯的情况下，应该勉勉强强有个60分吧！谁让我就算是考前最后一分钟都没打算复习一点，何谈整个学期都没听过
在上一篇文章中，提及了3D点云分类与分割的开山鼻祖——PointNet：https://blog.csdn.net/Alkaid2000/article/details/127253473，但是这篇PointNet是存在有很多不足之处的，在文章的末尾也提及了，它没有能力捕获局部结构，这使得在复杂的场景中也很难进行分析，道理也很简单，这篇文章只使用了Max操作以及MLP操作，也不符合当前神经网络的主流。PointNet++的作者主要通过两个主要的方法进行了改进，使得网络能更好的提取局部特征：一是利用空间距离(metricspacedistances)，使用PointNet对点集局部区域进行特征迭
1.前言1.1.为什么要进行自监督学习 我们知道，标注数据总是有限的，就算ImageNet已经很大，但是很难更大，那么它的天花板就摆在那，就是有限的数据总量。NLP领域目前的经验应该是：自监督预训练使用的数据量越大，模型越复杂，那么模型能够吸收的知识越多，对下游任务效果来说越好。这可能是自从Bert出现以来，一再被反复证明的真理，如果它不是唯一的真理，那也肯定是最大的真理。图像领域如果技术想要有质的提升，可能也必须得走这条路，就是充分使用越来越大量的无标注数据，使用越来越复杂的模型，采用自监督预训练模式，来从中吸取图像本身的先验知识分布，在下游任务中通过Fine-tuning，来把
文章目录RelatedWorks方法RenderingProcedure场景表示SceneRepresentation渲染Rendering权重函数weightfunctionDiscretizationTraining分层采样HierarchicalSampling实现细节实验AblationstudyThinstructures近来非常火热的NeuralImplicitFunction：VolumeRenderingbased:NeRF结合poissonsurfacereconstruction(insufficientsurfaceconstraints)SurfaceRendering
引言：北京时间：2023/5/30/15:30，刚睡醒，两点的闹钟，硬是睡到了2点40，那种睡不醒的感觉，真的很难受，但是没办法，欠的课越来越多，压的我喘不过气了都，早上把有关unordered_set和unordered_map的内容给写完了，所以哈希表有关代码方面的知识，我们就搞定的差不多了，并且现在外面高温异常，着实比较恐怖，下午四点还要去进行一场有关计算机导论的考试，目前丝毫没有复习，但我也丝毫不慌张，导论这种课现在给我的感觉，就有点像是……具体不好比喻，反正给我的感觉不怎么好，也许以后等我学习的更加深入时，对于这种课程的感觉就会更加清晰吧！并且还是那句话，60分就好，所以咱不慌，哈哈
本文向大家介绍一下一篇CCS2016的工作，文章的名字叫DeepLearningwithDifferentialPrivacy，在网上应该很容易就能找到，如果有朋友找不到还有兴趣的话可以私信我把文章发过去。这篇文章提出了一种叫MomentsAccountant的隐私预算（privacybudget）计算方法，直到今天依然差分隐私机器学习领域是最常用（也是最优越）的隐私预算计算方法之一。虽然本文为了验证其所提出的MomentsAccountant方法做了很多实验，但是我们重点关注其理论部分，对于实验部分我们不做大篇幅的解读，有兴趣的朋友们可以参考原论文，也欢迎大家一起讨论。【一】背景从文章标题就
