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

A Comprehensive Survey of Privacy-preserving FederatedLearning: A Taxonomy, Review, and Future Directions这里写目录标题一级目录二级目录三级目录一级目录二级目录三级目录

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：...

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

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。

需要提前安装的包 pip install pymupdf创建一个文件夹，把需要转换的pdf图片全部放入该文件夹，在文件夹中新建一个py文件，拷入代码：import osimport fitzpdf_dir=[]def get_file():docunames = os.listdir()for docuname in docunames:if os.path.splitext(docuname)[

打字的时候不小心按了什么键变成了这样子，看着非常不舒服：经过不断乱按，也没有找到了调回原来模式的办法，但是关闭文件重新打开后就好了：...

传统的物体检测算法受限于繁琐的人工标注，在开放世界中出现新类别后往往需要“从头来过”，即使只增加一个新类别，也要完整过一遍标注、训练、部署整个流程，严重限制了其通用性，这显然不“科学”。向大家介绍一篇今天新出的非常有意思的 CVPR 2023 的论文，相比于传统的目标检测算法，训练时标注了几个类别，就只能检测几个类别，这篇论文属于通用目标检测的范畴。3）为了应对训练中的新挑战，作者还提出了提出的解

gpt的讲解