机器学习：感知机模型(perceptron)简介感知机是二类分类问题的线性分类模型，输入为实例的特征向量，输出为实例的类别，取+1和-1值定义假设输入空间（特征空间）是X∈RnX \in R^nX∈Rn，输出空间是Y={−1,+1}Y = \{-1, +1\}Y={−1,+1}，输入x∈Xx \in Xx∈X表示实例的特征向量，对应与输入空间（特征空间）的点；输出y∈Yy \in Yy∈Y...

概述这篇论文的脉络是比较清晰的，讲的就两件事：使用分布式的Adam优化来代替传统的FedAvg，减少通信轮次对模型进行压缩和解压缩，减少通信开销算法框架图整个算法的步骤如上图所示：下载模型本地训练模型压缩上传模型模型解压模型聚合从这里可以看到该论文提出的框架与传统的联邦框架并没有什么不同，唯二的区别在以下两个方面：本地训练使用的方法并不是SGD，而是AdamSGD，这两者的区别在于训练的步长是否发

MacOS将python版本改为Anaconda的版本方法方法在/chechunjiang中打开.bash_profile文件在文件的最后加上：PATH = "/Users/chechunjiang/Documents/anaconda/安装位置/anaconda3/bin:${PATH}"export PATH这样默认的python版本就是anaconda安装的python版本...

背景传统的联邦学习在数据异构(non-iid)的场景中很容易产生“客户漂移”(client-drift)的现象，这会导致系统的收敛不稳定或者缓慢贡献提出了考虑到client sampling和数据异构的一个更接近的收敛边界证明即便没有client sampling，使用全批次梯度(full batch gradients)，传统的FedAvg依旧会因为client-drift而比SGD收敛速度更慢

机器学习之决策树模型（1）简介和原理决策树学习本质上是从训练数据中归纳出一组分类规则。假设给定一个训练数据集：D={(x1,yx),(x2,y2),...,(xN,yN)}D = \{(x_1, y_x), (x_2, y_2), ..., (x_N, y_N)\}D={(x1​,yx​),(x2​,y2​),...,(xN​,yN​)}其中，xi=(xi(1),xi(2),...,x...

Homework1目录：安装golang设置环境变量创建Helloworld创建第一个库第一个测试安装与运行go tour安装golangubuntu直接使用apt-get来下载，执行以下命令：sudo apt-get install golang但是这样子下载得到的版本并不是最新的，建议直接到官网下载然后进入安装包的目录下，执行：tar -xzf go1.15.2.linux-amd64.tar

最近打算从联邦学习方向转到联邦+图方向，因此读一些GNN相关的综述论文，从入门开始摘要深度学习被运用到图像分类、视频处理和自然语言处理等任务中，但是这些任务的数据表示都是在欧式空间中的。有一些任务的数据表示并不是在欧式空间中的，而是以图的形式进行表示。如果我们用传统的深度学习方法去完成这些任务将会非常棘手。GNN（graph neural networks）是解决这类任务的合适模型。Introdu