给定一个二叉搜索树（Binary Search Tree），把它转换成为累加树（Greater Tree)，使得每个节点的值是原来的节点值加上所有大于它的节点值之和。例如：输入: 原始二叉搜索树:5/\213输出: 转换为累加树:18/\2013解题思路：刚开始写这道题感觉挺疑惑的，这挺复杂的题目为什么会是简单题呢，后来仔细观察题目终于发现了，这是个二叉搜索树，那么就代表着对于每个节点，其右子节点

联邦学习实战——基于同态加密和差分隐私混合加密机制的FedAvg前言前言好久都没更新联邦学习相关内容了，这也是我更新这篇我认为非常硬核的文章的原因，这也算是实现了我在学习联邦学习半年以来的一个目标，基于混合加密机制实现联邦学习任务，这次任务使用的框架是FedAvg，在github上非常热门的联邦学习模拟实现方案，FedAvg的代码还是非常好理解的，本文的结构将主要分为三个部分，第一部分是对FedA

联邦学习实战——构建公平的大数据交易市场前言1. 大数据交易1.1 数据交易定义前言FATE是微众银行开发的联邦学习平台，是全球首个工业级的联邦学习开源框架，在github上拥有近4000stars，可谓是相当有名气的，该平台为联邦学习提供了完整的生态和社区支持，为联邦学习初学者提供了很好的环境，否则利用python从零开发，那将会是一件非常痛苦的事情。本篇博客内容涉及《联邦学习实战》第十四章内容

前言FATE是微众银行开发的联邦学习平台，是全球首个工业级的联邦学习开源框架，在github上拥有近4000stars，可谓是相当有名气的，该平台为联邦学习提供了完整的生态和社区支持，为联邦学习初学者提供了很好的环境，否则利用python从零开发，那将会是一件非常痛苦的事情。本篇博客内容涉及《联邦学习实战》第七章内容，本章主要是介绍当前流行的联邦学习平台，下面就让我们开始吧。1. FATE1.1

联邦学习实战——用Python从零实现横向联邦图像分类前言1. 配置信息2. 训练数据集3. 服务端前言本篇学习笔记记录的内容是杨强教授编写的《联邦学习实战》这本书的第三章内容，本来是准备记录在ipad上，但是用博客形式写下来可以跟更多人分享并讨论，这不失为更好的选择。前两章内容为理论基础，简单介绍了联邦学习（想要深入了解的朋友可以阅读杨强教授的《联邦学习》这本书）以及联邦学习的安全机制（同态加密

解题思路：这道题本质是寻找其数学规律，首先计算好第一周的总存款，然后用前缀和的方法计算第一周到周几的总存款，便于后序操作。然后计算周数，以及最后余几天，由于每周存钱规律满足等差数列，所以利用等差数列求和公式可以直接得到达到整数周完整的存款，剩下的空余天再根据我们计算好的前缀和加上随着周数变化增加的存款，代码如下：class Solution {public:int totalMoney(int n

分布式系统：概念与设计》认为：分布式系统是若干独立计算机的集合，这些计算机对于用户来说是就像一个单机的系统。作用于若干独立计算机之上，使得这些计算机能够协同执行计算完成某项应用的软件系统。归根结底是为了解决某些类别的应用问题而设计的分布式系统。分类计算密集型应用：CPU 处理能力成为了首要限制因素。数据密集型应用：I/O 带宽成为了首要限制性因素（关键）。可靠的容错保障应该保证故障前后消息的一致性

一篇来自2022年TKDE的有关NER综述的文章，也算是我接触NER以来的第二篇文章，其中第一篇是有关图神经网络在NER中的应用，由于没有基础知识，踩了许多坑，在汇报的时候很多概念也没能阐述清楚，这次通过阅读综述的方式，来对NER领域进行一个全面完整的认识，希望能在这篇CCF A的期刊中得到收获。命名实体识别（NER）的任务是从属于预定义语义类型的文本中识别出实体类型（mentions of ri

C++中const和auto的那些事前言1. const1.1 const修饰普通类型的变量1.2 const 修饰指针变量1.2.1 常量指针1.2.2 指针常量1.2.3 指向常量的常指针1.2.4 三者区别2. auto2.1 auto的用法2.2 auto的注意事项3. const与auto4. 总结前言最近做题在暴力的时候发现了一个问题，就是在一些数据量很大的时候（游离于内存的超出范围）

题目大意：给出三场⽐赛以及每场⽐赛的W、T、L的赔率，选取每⼀场⽐赛中赔率最⼤的三个数a b c，先输出三⾏各⾃选择的是W、T、L中的哪⼀个，然后根据计算公式 (a * b * c * 0.65 – 1) * 2 得出最⼤收益解题思路：这道题没有什么算法，就是普通的暴力题，找到每行的最大值，然后输出当前下标所代表的编号（WTL），最后统一计算即可，没有什么花里胡哨的操作，代码如下：#include