什么是联邦学习联邦学习是在多参与方或多计算结点之间开展高效率的机器学习框架，其设计目标是在保障大数据交换时的信息安全、保护终端数据和个人数据隐私。我们用一张图来描述联邦学习的流程：...

原文：Privacy-preserving Heterogeneous Federated Transfer Learning本文讲了数据异构（区别于模型结构异构）下的 FL 训练框架，此外还有隐私保护的作用。这里的数据异构是指不同的 feature spaces，因此本文使用了迁移学习进行解决。数据异构 heterogeneous data数据异构有两种情况：homogeneous featur

转载自：https://zhuanlan.zhihu.com/p/51631163目录论文来源GAP（全局平均池化层）CAM（类激活映射）论文来源《Learning Deep Features for Discriminative Localization 》(2016CVPR)简单来说，这篇文章主要介绍了两个核心技术：GAP（Global Average Pooling Layer） 和 CAM

该技术来源于论文：Deep Learning with Differential Privacy讲述了如何在模型训练期间，通过修改损失函数，使训练后的模型具有一定抵御的DP的能力。原论文很长很复杂，本博客不讲原理，直接复现。参照https://github.com/pytorch/opacus/blob/main/tutorials/building_image_classifier.ipynb

目录为什么要标准化（数据预处理）？1.标准化 scale加强版 StandardScaler确定范围的标准化 MinMaxScaler2 正则化Normalization加强版NormalizerNaN值的处理---ImputationLabelEncoder()、OneHotEncoder()请参阅：以下介绍的所有方法都源自于sklearn.preprocessing数据预处理相关理论：http

在联邦学习场景下，各方的数据理应不为同分布，即不满足iid，因此在模拟时不能随机进行数据分配，应该适当调整下发给各client的数据分布。本文借鉴论文：FLTrust: Byzantine-robust Federated Learning via Trust Bootstrapping 中的数据分配方法。在文中，q 决定 某一group所有clients 最大类出现的概率。唯一的缺点是 除了第

目录1.问题来源2.应用3.分类3.1 case1：With Classifier3.2 case2：Without Labels3.2.1 问题阐述4.异常侦测系统（模型）的评价指标自己定义AUC5.遇到检测错误的点1.问题来源概括：找和训练集不一样的数据。2.应用难点：异常点难以收集，无法穷举。我只能收集到正常情况的训练数据。3.分类3.1 case1：With Classifier1.对每个

基于scikit-learn注意 OneHotEncoder(sparse=False)，不然返回的就是索引值的形式from numpy import arrayimport numpy as npfrom sklearn.preprocessing import LabelEncoderfrom sklearn.preprocessing import OneHotEncoder# ...

本文从入门级讲述了迁移学习的原理及基本实现方法

两个数据集不是来自同一分布的，有着不同的数学期望、方差，这样会导致训练集效果很好，但是模型在测试集上的效果很差，这时候需要调整一下训练策略了。ps：这不同于过拟合，本文讲的原因在于训练集和测试集的分布不同。