- 博客(10)
- 收藏
- 关注
RSS订阅原创 788. 逆序对的数量
题目来源：acwing算法基础课给定一个长度为 n的整数数列，请你计算数列中的逆序对的数量。逆序对的定义如下：对于数列的第 i 个和第 j个元素，如果满足 i<j 且 a[i]>a[j]，则其为一个逆序对；否则不是。
2025-03-01 20:11:11
227
原创 787. 归并排序
题目来源：acwing算法基础课，大家可以去学一下，共同交流~给定你一个长度为 n 的整数数列。请你使用归并排序对这个数列按照从小到大进行排序。并将排好序的数列按顺序输出。
2025-03-01 01:07:09
214
原创 推荐系统+FL论文学习(4)FedGraphNN: A Federated Learning BenchmarkSystem for Graph Neural Networks
图神经网络（GNN）在从图结构数据中学习分布式表示的能力使其研究迅速发展。然而，由于隐私问题、监管限制和商业竞争，将大量真实世界的图形数据集中用于GNN训练是令人望而却步的。联邦学习（FL）是一种趋势分布式学习范式，它在保护数据隐私的同时提供了解决这一挑战的可能性。尽管最近在视觉和语言领域取得了进展，但没有合适的平台用于gnn的FL。为此，我们引入了FedGraphNN，这是一个开放的FL基准系统，可以促进联邦gnn的研究。fedgraphhnn建立在图形FL的统一表述。
2025-01-01 17:38:28
898
原创 Linux服务器下载Kaggle数据集
本文核心问题是解决：在Linux服务器上下载Kaggle上数据集。文件移动到你的 Linux 系统的 Kaggle 配置文件夹中。：需要一个 Kaggle API 凭证来下载数据集。①登录到Kaggle、②进入。②在数据集页面中找到 API。默认情况下，数据集将下载为。页面的Kaggle Settings、③在页面底部找到。：首先，确保已经安装了 Kaggle API。①访问数据集页面：例如。文件，并保存在当前目录。之后通过unzip解压即可。文件，它包含了你的 API 密钥。
2024-12-16 23:14:27
688
原创 推荐系统+FL论文学习(3)No Prejudice! Fair Federated Graph Neural Networks for Personalized Recommendation
由于在个性化医疗保健、金融和电子商务等应用程序中越来越多地集成了推荐系统（RSs），因此确保跨人口统计群体的推荐系统（RSs）的公平性至关重要。基于图的RSs在捕获实体之间复杂的高阶交互方面起着至关重要的作用。然而，将这些图模型集成到具有公平性约束的联邦学习（FL）范式中会带来巨大的挑战，因为这需要在中央服务器上访问整个交互图和敏感的用户信息（如性别、年龄等）。本文通过基于图的模型，在不损害FL环境中敏感用户属性隐私的情况下，解决了RSs中针对不同人口统计群体普遍存在的固有偏见问题。
2024-11-12 22:35:01
895
原创 推荐系统+FL论文学习(2)：【综述】Recent advances and future challenges in federated recommendersystems
推荐系统是现代用户体验不可或缺的一部分。他们了解用户的偏好，并通过创建个性化推荐来帮助用户发现有意义的内容。随着政府法规的出台和用户隐私意识的增强，如今获取所需数据是一项具有挑战性的任务。联邦学习是分布式机器学习的一种新方法，它可以保护用户的隐私。在联合学习中，参与的同伴一起训练一个全球模型，但个人数据永远不会离开设备或筒仓。最近，推荐系统和联邦学习的结合在研究界引起了越来越大的兴趣。创建了一种新的推荐类型——联邦推荐系统(。
2024-10-18 19:45:16
1370
原创 推荐系统+FL论文学习(1)：FedFast: Going Beyond Average for Faster Training of Federated Recommender Systems
联邦学习(FL)正在迅速成为深度推荐模型分布式训练的事实上的标准，它使用设备上的用户数据并降低服务器成本。在典型的FL流程中，中央服务器要求最终用户使用其本地数据训练共享推荐模型。本地模型在用户的设备上经过几轮训练，服务器将它们组合成一个全局模型，该模型被发送到设备以提供建议。标准的FL方法在每一轮使用随机选择的用户进行训练，并简单地平均他们的局部模型来计算全局模型。得到的联邦推荐模型需要客户投入大量精力进行训练，并进行多次通信，才能收敛到令人满意的精度。直到培训的最后阶段，用户才会得到低质量的建议。
2024-10-04 23:53:38
957
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人