Ding

机器学习是希望使用一个矩阵，高维空间，对数据特征特征进行模拟。 server如 google 维护一个全局的矩阵w_global。客户端的数据不满足独立同分布，其中本地数据记为 w_local_i, 其中i 为用户名。 给定一个标量 trust_Max 超参数，定义最大偏离的距离，定义某个客户 与 w 的”距离“的矩阵 distance_to_global_i = w - w_local_i (对应元素相减)，检验一下distance_to_global_i 矩阵 L2 范数与 trust_Max 的关系。 大于阈值，代表该用户和大多数用户的使用习惯偏差过大，有蓄意攻击的可能。 但世界上还会存在少量其他用户 w_local_k 和他的 w_local_i 的分布近似，体现在两个“距离矩阵”的差...

您的视频中，四个节点，六轮（每轮通讯四条链路同时利用）通讯，共24次通讯，复杂度是（number_of_parameter / wide——bandwidth） 有A B C D四台机器，分别在本地维护维护一个 w 矩阵，和一个同纬度的sum_local 矩阵，一个计数器 i 初始化为1。 sum_local = w // 根据本地 w 的拷贝初始化 sum_local i = 1 // sum_local 已收集了一个矩阵 while( i != number_of_Node_in_ring...