基于模型的强化学习，介绍原理，并且后面介绍隐式的，基于部分可观测的MDP的强化学习

typora-copy-images-to: …\MD_note\images目前整理新看的一些论文：动态分簇《Adaptive Client Selection in Resource Constrained Federated Learning Systems: A Deep Reinforcement Learning Approach》这篇文章核心思想：你不知道哪些设备可能没能力去参与运算

量化改进的联邦学习，采用pysyft为联邦基础框架。重点在于探讨量化再实际通信场景下的对联邦学习效率的影响。

联邦学习实现，pysyft框架，代码已跑通可用

联邦学习模型传输的量化non-iid数据集的获取与加载

文章目录机器学习分类——综述《A survey of ML to self organizing cellular networks》读后感《Artificial Neural Networks-Based Machine Learning》读后感无线网络中的ANN对于ANN的大体分类递归神经网络ESNDNN在无线网络中的应用总体上：在无人机中的应用：在VR中的应用在边缘计算中的应用频谱管理在物联

文章目录机器学习分类——综述《A survey of ML to self organizing cellular networks》读后感《Artificial Neural Networks-Based Machine Learning》读后感无线网络中的ANN对于ANN的大体分类递归神经网络ESNDNN在无线网络中的应用总体上：在无人机中的应用：在VR中的应用在边缘计算中的应用频谱管理在物联

A Field Guide to Federated Optimization注意目标：通信效率、数据异构性、隐私保护性服务器和客户机之间的通信必要的，但是会带来大量的传递数据，更新轮数、数据压缩。数据异构性：非i.i.d.数据，客户的训练样本来自不同的分布。本地计算 ，客户机会有计算能力的限制；这种计算的不公平有可能导致结果模型的不公平分层系统很复杂，客户机会掉线、离开、突然加入。通信信道必须纳

文章目录机器学习分类——综述《A survey of ML to self organizing cellular networks》读后感《Artificial Neural Networks-Based Machine Learning》读后感无线网络中的ANN对于ANN的大体分类递归神经网络ESNDNN在无线网络中的应用总体上：在无人机中的应用：在VR中的应用在边缘计算中的应用频谱管理在物联

联邦学习在non-iid数据集上的训练。包含数据集的划分、训练、测试