Sycamore

本博客为在2023.07.01 - 2023.09.01期间阅读的10余篇论文笔记。

主题为：联邦学习、异构性、异步联邦学习、分层联邦学习

文章大体上来自于A、B会和A刊，少数几篇与GLOBECOM相似的出处不限。

对于好奇心机制的一个小随笔😄😄

Practice makes Perfect！ヾ(◍°∇°◍)ﾉﾞ

练习从模仿开始！o(╥﹏╥)o

😁内容摘录自中国计算机学会(CCF)推荐国际学术会议和期刊目录（2019年）😁

Paper Name

Web: http://phoenixdai.cn

Citing info.

Solve probs, Merits

Main work

Conclusion

• BC-based Trusted Trafic Offloading in SAGIN
  • 预备知识（PBFT、MDP、AC算法）
  • 论文解读
• A Fast BC-based FL Framework with Compressed Communications
  • 预备知识（FL过程）
  • 论文解读

Martín, Domingo, et al. "A survey of digital stippling." Computers & Graphics 67 (2017): 24-44.

• 传统点画
• 数字点画
• 点画技术
• 数字点画和半色调

• CRF技术
• Viterbi（维特比）算法
• Word Embedding 词嵌入

Li, Jing, et al. "A survey on deep learning for named entity recognition." IEEE Transactions on Knowledge and Data Engineering 34.1 (2020): 50-70.

• 我们将深入研究深度学习技术在NER中的应用，以启发和指导该领域的研究人员和从业人员。
• 我们以表格形式整合了NER语料库，即现成的NER系统 (来自学术界和工业界)，为NER研究社区提供有用的资源。
• 我们提出了一种新的分类法，该分类法沿着三个轴系统地组织基于DL的NER方法: 输入的分布式表示，上下文编码器 (用于捕获标签解码器的上下文相关性) 和标签解码器 (用于预测给定序列中的单词标签)。
• 此外，我们还调查了在新的NER问题设置和应用程序中最近应用的深度学习技术的最具代表性的方法。
• 最后，我们向读者介绍了NER系统面临的挑战，并概述了该领域的未来方向。

Bi, Suzhi, et al. "Lyapunov-guided deep reinforcement learning for stable online computation offloading in mobile-edge computing networks." IEEE Transactions on Wireless Communications 20.11 (2021): 7519-7537.

机会计算卸载是提高动态边缘环境下移动边缘计算（MEC）网络计算性能的有效方法。

在本文中，我们考虑了一个多用户 MEC 网络，该网络具有随时间变化的无线信道和在连续时间帧中随机用户任务数据到达。

特别是，我们旨在设计一种在线计算负载算法，以在长期数据队列稳定性和平均功率约束下最大化网络数据处理能力。我们将问题表述为一个多阶段随机混合整数非线性规划 (MINLP) 问题，该问题共同决定了二进制卸载（每个用户在本地或在边缘服务器上计算任务）和系统资源分配决策在连续的时间范围内。

为了解决不同时间框架决策中的耦合问题，我们提出了一个名为 LyDROO 的新框架，它结合了 Lyapunov 优化和深度强化学习 (DRL) 的优势。