联邦蒸馏是联邦学习中的一种新的算法范式，使客户端能够训练不同的网络架构。在联邦蒸馏中，学生可以通过提取客户端对公共服务器数据的平均预测来学习他人的信息，而不会牺牲他们的个人数据隐私。然而，仅使用平均软标签作为所有学生的老师的方法会受到客户端草案的影响，尤其是当本地数据是异构时。软标签是模型之间的平均分类分数。在本文中，我们提出了一个新的框架FedMMD（基于多教师和多特征蒸馏的联邦学习），该框架对客户端之间的不同数据分布具有鲁棒性。FedMMD扩展了FD训练程序中的聚集阶段和蒸馏阶段。与在所有学生中共享同一教师的方法相反，FedMMD 为每个需要进行多次独立蒸馏的学生分配不同的教师。由于每个模型都可以单独视为教师，FedMMD解决了共享教师仅具有平均性能由平均软标签引起的问题。同时，在每次蒸馏中，FedMMD没有使用模型在公共数据上的平均软标签作为教师，而是引入了中间表示和软标签的组合作为蒸馏目标，以了解教师的更多信息细节。我们在两个公共数据集（CIFAR10和MINIST）上的广泛实验证明了所提出的方法的性能。

教与学优化算法Teaching–Learning-Based Optimization (TLBO)matlab代码

学习将结构知识整合到图像修复中 AAAI 2020论文“学习结合用于图像修补的结构知识”的简介和源代码。 您可以在或获取论文。 引文 @inproceedings{jie2020inpainting, title={Learning to Incorporate Structure Knowledge for Image Inpainting}, author={Jie Yang, Zhiquan Qi, Yong Shi}, booktitle={Proceedings of the AAAI Conference on Artificial Intelligence}, volume={34}, number={7}, pages={12605-12612}, year={2020} } 介绍 该项目开发了一个多任务学习框架，该框架试图结合图像结构知识来辅助

MapReduce-机器学习 一些机器学习算法的 Map-Reduce 实现

深度学习中RBM的Matlab代码工具包，帮助更好的理解Deep learning

DoubleML-Python中的双机学习 Python软件包DoubleML提供了的双重/无偏机器学习框架的 。 它建立在（Pedregosa等，2011）。 请注意，Python软件包是与基于的R twin一起开发的。 R包也可以在和 。 文档和维护 文档和网站： : DoubleML当前由和维护。 可以将错误报告给问题跟踪器，为 。 主要特点 双重/无偏机器学习 部分线性回归模型（PLR） 部分线性IV回归模型（PLIV） 互动回归模型（IRM） 交互式IV回归模型（IIVM） DoubleML的面向对象的实现非常灵活。 模型类DoubleMLPLR ， Doub

DeepSpeech：DeepSpeech是一种开源嵌入式（离线，设备上的）语音到文本引擎，可以在从Raspberry Pi 4到大功率GPU服务器的各种设备上实时运行

Algebra, Topology, Differential Calculus, and Optimization TheoryFor Computer Science and Machine LearningJean Gallier and Jocelyn Quaintance Department of Computer and Information ScienceUniversity of Pennsylvania Philadelphia, PA 19104, USA e-mail: jean@cis.upenn.educ:copyright: Jean GallierAugust 2, 20192ContentsContents 31 Introduction 172 Groups, Rings, and Fields 19 2.1 Groups, Subgroups, Cosets . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.2 Cyclic Groups . . . . . . . . . .

班级增量学习 文件 用于班级增量学习的自适应聚合网络，CVPR2021。[ ] [] 助记符训练：无需忘记的多级增量学习，CVPR2020。[ ] [] 引文 如果它们对您的工作有帮助，请引用我们的论文： @inproceedings { Liu2020AANets , author = { Liu, Yaoyao and Schiele, Bernt and Sun, Qianru } , title = { Adaptive Aggregation Networks for Class-Incremental Learning } , booktitle = { The IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) } , year = { 20

对抗图书馆 该库包含与PyTorch中实施的对抗性攻击有关的各种资源。 它针对寻求最新攻击实施方案的研究人员。 编写代码是为了最大程度地提高效率（例如，通过偏爱PyTorch的底层函数），同时保持简单性（例如，避免抽象）。 因此，大多数库（尤其是攻击）都是使用纯函数实现的（只要有可能）。 在着重于攻击的同时，该库还提供了一些与对抗性攻击有关的实用程序：距离（SSIM，CIEDE2000，LPIPS），可见回调，预测，损失和辅助功能。 最值得注意的是，来自utils/attack_utils.py的功能run_attack对具有给定输入和标签且具有固定批处理大小的模型进行了攻击，并报告了与复杂性相关的指标（运行时和向前/向后传播）。 依存关系 该库的目标是使用最新版本的PyTorch进行更新，以便可以定期更新依赖项（可能会导致重大更改）。 pytorch> = 1.7.0 火炬视觉>