Federated Learning for Vision-and-Language Grounding Problems
轉載自此處 文章背景 這篇文章的背景是這樣的，首先我的每個客戶端輸入的都是圖像，這些圖像可以是不同類型的，作者在實驗中是用了兩個不同的數據集來表示這一點。其次是每個客戶端的任務也可以是不同的，比如一部分做視覺問答，另一部分做圖像描述。因爲他們的任務不一樣，所以傳統的聯邦學習方法就不適用了。作者的方法概括的說就是讓服務端去學習一個對應於不同任務的圖像表示。具體的我們看下面這張圖，可以簡單的分爲三個階
相關文章
- 1. Federated Learning for Vision-and-Language Grounding Problems閱讀筆記
- 2. (IC19)Federated Learning for Keyword Spotting
- 3. 綜述論文「Advances and Open Problems in Federated Learning」
- 4. Federated Learning: 相關
- 5. Several Machine Learning Problems
- 6. 聯邦學習（Federated Learning）
- 7. 【翻譯】How to Backdoor Federated Learning
- 8. Measure Contribution of Participants in Federated Learning
- 9. Federated Learning with Non-IID Data
- 10. 聯邦學習 Federated Learning
- 更多相關文章...
- • Swift for 循環 - Swift 教程
- • Scala for循環 - Scala教程
- • Java Agent入門實戰（三）-JVM Attach原理與使用
- • Java Agent入門實戰（一）-Instrumentation介紹與使用
相關標籤/搜索
每日一句
-
每一个你不满意的现在，都有一个你没有努力的曾经。
歡迎關注本站公眾號,獲取更多信息
相關文章
- 1. Federated Learning for Vision-and-Language Grounding Problems閱讀筆記
- 2. (IC19)Federated Learning for Keyword Spotting
- 3. 綜述論文「Advances and Open Problems in Federated Learning」
- 4. Federated Learning: 相關
- 5. Several Machine Learning Problems
- 6. 聯邦學習（Federated Learning）
- 7. 【翻譯】How to Backdoor Federated Learning
- 8. Measure Contribution of Participants in Federated Learning
- 9. Federated Learning with Non-IID Data
- 10. 聯邦學習 Federated Learning