Algorand: Scaling byzantine agreements for cryptocurrencies文章链接：https://doi.org/10.1145/3132747.3132757作者：Yossi Gilad, Rotem Hemo, Silvio Micali, Georgios Vlachos, Nickolai Zeldovich发表：SOSP '17: Proce
Client Selection for Federated Learning with Heterogeneous Resources in Mobile EdgeZotero链接: 从我的文库打开标签1标签2标签3标签4Federated LearningClient SelectionFedCSMEC回顾本文重点内容见Conclusion。论文阅读笔记仅供参考交流~[TOC]Abstract
写在前面 参考文献：Transfer Adaptation Learning: A Decade Survey，这是2019年的一篇综述，简单看了一下发现信息量有点大（真就挖坑“把自己埋了”）。还是先简单写个目录吧，再逐步把坑填起来！同时非常欢迎同在研究相关内容的学者交流，感谢！当前因为部分内容对于个人来说有些难度，所以暂时空出待补！--fzhiy.更新于2020年9月27日19点39
<span># 写在前面 计划在这几天看一些TL相关综述论文，并初步写一点学习笔记（待完善，又挖坑了）。本文主要参考《A survey on transfer learning.2016》和《迁移学习研究进展，2015》。欢迎留言交流或批评指正【】内表示原论文中的参考文献条目。TransferLearning-GitHub：https://github.com/jindongw
写在前面 参考文献《Federated Learning: Challenges, methods, and future, 2020》，较为详细的介绍当前FL的挑战和解决方法以及未来可能的研究方向或切入点。Federated Learning: Challenges, methods, and future摘要 联邦学习在保持数据本地化的同时涉及在远程设备或孤立的数据中心（例如
写在前面 参考文献《Advances and Open Problems in Federated Learning, 2019》，58位作者的105页文章。笔者当前花了一些时间来阅读这篇论文，由于能力有限，只做一些感兴趣点的记录和分析。另引用内容见文末参考文献，如侵权请联系笔者。欢迎讨论~Advances and Open Problems in Federated Learning,
写在前面笔记主要参考《Federated Machine Learning Concept and Applications》和《联邦学习》。作为一个入门笔记，可以当作是论文译文也可以作为进一步学习的框架。按照该论文做的一个框架，同时尽量将《联邦学习》书中部分内容进行整合，当然最好是能够利用好这本书相关研究内容。摘要当今人工智能仍然面临两大挑战：在大多数工业中，数据以 “孤岛”形式存在加强数据隐私
2019.Mobile Edge Computing, Blockchain and Reputation-based Crowdsourcing IoT Federated Learning A Secure Decentralized and Privacy-preserving System本文总结原文为《Mobile Edge Computing, Blockchain and Reput
