跨域推荐在实际应用中常常面临隐私性的挑战，其一是不同用户的数据难以合法地进行集中化收集；其二是其使用的迁移学习模型跨不同的域和数据集进行映射，这常常会关联到不同的组织机构，同样会面临隐私问题。此时上面提到的需要将数据集中起来的跨域推荐方法就不再行得通了，需要考虑在联邦场景下的跨域推荐模型。

原文链接：图神经网络简介及其在交通流预测中的应用1.火爆的图神经网络究竟什么来路？最近几年，作为一项新兴的图数据学习技术，图神经网络（GNN）受到了广泛的关注。2018年年末，发生了两件特殊的事情。图数据学习领域同时发表了三篇综述论文，这种现象体现了学术界对该项技术的高度认可；更有众多工业界与学术界的大佬联名上书，支持GNN。由DeepMind、谷歌大脑、MIT 和爱丁堡大学等公司和机构的 27

图像降噪是一个十分具有实用价值的研究方向，因为噪声总是无处不在的。当处于比较昏暗的环境时，噪声将极大地影响着我们所拍摄的图像。如今，随着深度学习算法以及相关硬件的不断发展，深度卷积网络同样在图像降噪领域占据了主流，并且代表了该领域最优异的成绩。但是，深度神经网络同样有着其缺点，例如模型过于庞大而计算复杂度过高，以及缺乏一些理论上的解释性，当然这些缺点正不断地得到弥补。为了更好地理解图像降噪的基本原

随着计算机算力的提升，机器学习作为海量数据的分析处理技术，已经广泛服务于人类社会。 然而，机器学习技术的发展过程中面临两大挑战：一是数据安全难以得到保障，隐私泄露问题亟待解决；二是网络安全隔离和行业隐私，不同行业部门之间存在数据壁垒，导致数据形成“孤岛”无法安全共享，而仅凭各部门独立数据训练的机器学习模型性能无法达到全局最优化。为解决上述问题，谷歌提出了联邦学习（FL，federated lear

文章目录GNN用于交通预测一、交通图分类二、邻接矩阵分类三、GNN分类四、挑战五、未来方向GNN用于交通预测一、交通图分类现有的交通图分为三个级别，即道路级别，区域级别和站点级别图。道路水平流量问题（道路交通流量、道路起点-终点（OD）流量和交叉口交通吞吐量），在道路交通流问题中，预测目标是在特定时间段内通过道路传感器或道路沿线特定位置的交通量。在道路OD流量问题中，目标是单个时间点上一个位置（起

【推荐系统】一文梳理联邦学习推荐系统研究进展

作者简介：张高玮，研究方向为推荐系统。引言：近年来跨域推荐方法逐渐受到人们的关注，为解决推荐系统中数据稀疏以及冷启动这两个问题提供了新的思路。本文聚焦于跨域推荐，依据解决方法的不同将跨域推荐模型分为基于共享实体表示的模型、基于域间映射的模型、基于异构图嵌入的模型、基于多领域协同训练的模型四大类进行整理介绍，欢迎大家批评和交流。目录1. 总体介绍1.1 什么是跨域推荐1.2 为什么需要跨域推荐2.

联邦学习 (FL) 已被提议作为基于云的深度学习 (DL) 的替代方案。这种范例将训练 DL 模型的能力与收集原始数据、交替在设备上计算和定期通信的需要分离开来 [34、4]。在学习过程中，联邦中的参与者只需要披露短暂的、本地处理的有效载荷，这使得推断个人的私人信息变得更加困难。联邦平均 (FedAvg) 代表联邦学习 (FL) [34] 的基线算法。在 FedAvg 中，协作学习通过利用。

1、yolo系列发展背景在 CV (计算机视觉)领域，目标检测任务是实际应用项目的第一步，主要包括：人脸识别、多目标检测、REID、客流统计等内容。yolov5是目标检测一个非常成熟、经典的模型，它自从提出以来，在工业、军事、科研方面有着广泛的应用。yolov1,v2,v3的作者是美国的Joseph Redmon，被人称为yolo之父，但是由于其反对将yolo用于军事和隐私窥探，2020年2月宣布

通过本文的阐述，我们希望能够为研究人员、决策者和城市规划者提供一些有益的参考，促进交通领域数据整理与分析工作的进一步发展与应用。