MATLAB用拟合出的代码绘图睡眠时分析大脑的连通性 梅兰妮·伯恩哈特（MélanieBernhardt） 学期项目-数据科学课程研究 主管：J. Buhmann，顾问：D. Miladinovic 苏黎世联邦理工学院-机器学习学院 在这个学期的项目中，我们将展示如何在二元睡眠阶段分类的背景下，将图神经模型应用于从MEG记录中导出的多频大脑连接性数据。 该存储库包含与此项目关联的代码。 它包含以下所有必要的文件： 从原始Matlab文件构建numpy特征矩阵 构建并训练报告中介绍的图分类神经网络。 运行报告中描述的实验。 本自述文件详细介绍了此存储库文件的内容及其所包含的功能。 每个函数及其参数也都精确地记录在代码中。 从原始Matlab文件构建特征矩阵 使用文件build_features.py计算并保存实验所需的特征矩阵。 它包含以下功能： prepare_X将原始MatLab文件加载并合并为一个单个的numpy数组，形状为[nobs，4095，50]。 它以主题列表作为输入参数，仅在需要时才加载主题子集的数据。 transform_X_std执行标准频带聚合预处理步骤。 它采用一

一个联邦滤波的程序，可以实现比KF更高的滤波精度

_AI与数据隐私保护：联邦学习的破解之道_AI与数据隐私保护：联邦学习的破解之道

_联邦学习模型在涉密数据处理中的应用_联邦学习模型在涉密数据处理中的应用

GDPR 对 AI 的挑战和基于联邦迁移学习的对策； 智能互联网时代N倍数的产业机遇； 大规模图像理解、分割新进展； 机器学习与人工智能； 自然语言处理方法与应用；

联邦学习+机器学习+加密算法

[TFF学习]官方教材jupyter运行记录_联邦学习之图像分类任务_1

近年来，联邦学习作为解决数据孤岛问题的技术被广泛关注，已经开始被应用于金融、医疗健康以及智慧城市等领域。从3个层面系统阐述联邦学习算法。首先通过联邦学习的定义、架构、分类以及与传统分布式学习的对比来阐述联邦学习的概念；然后基于机器学习和深度学习对目前各类联邦学习算法进行分类比较和深入分析；最后分别从通信成本、客户端选择、聚合方式优化的角度对联邦学习优化算法进行分类，总结了联邦学习的研究现状，并提出了联邦学习面临的通信、系统异构、数据异构三大难题和解决方案，以及对未来的期望。

-美国联邦政府9要素职位评价体系 工作中所需的知识（Knowledge） 工作中受到的监督（Supervision received） 工作的指导方针（Guidelines） 工作任务的复杂性（Complexity） 工作任务的范围及其影响（Scope and effect） 工作中的人际接触（Personal contacts） 工作接触的目的（Purpose of contacts） 体力要求（Physical demands） 工作环境（Work environment）

简易的联邦学习与分布式机器学习框架