<?xml version="1.0" encoding="utf-8" standalone="yes"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom">
  <channel>
    <title>非独立同分布 on 办公AI智能小助手</title>
    <link>https://blog.qife122.com/tags/%E9%9D%9E%E7%8B%AC%E7%AB%8B%E5%90%8C%E5%88%86%E5%B8%83/</link>
    <description>Recent content in 非独立同分布 on 办公AI智能小助手</description>
    <generator>Hugo</generator>
    <language>zh-cn</language>
    <copyright>qife</copyright>
    <lastBuildDate>Fri, 10 Oct 2025 20:06:00 +0800</lastBuildDate>
    <atom:link href="https://blog.qife122.com/tags/%E9%9D%9E%E7%8B%AC%E7%AB%8B%E5%90%8C%E5%88%86%E5%B8%83/index.xml" rel="self" type="application/rss+xml" />
    <item>
      <title>联邦学习在网络安全中的实战比较：非独立同分布与不平衡设置下的性能评估</title>
      <link>https://blog.qife122.com/p/%E8%81%94%E9%82%A6%E5%AD%A6%E4%B9%A0%E5%9C%A8%E7%BD%91%E7%BB%9C%E5%AE%89%E5%85%A8%E4%B8%AD%E7%9A%84%E5%AE%9E%E6%88%98%E6%AF%94%E8%BE%83%E9%9D%9E%E7%8B%AC%E7%AB%8B%E5%90%8C%E5%88%86%E5%B8%83%E4%B8%8E%E4%B8%8D%E5%B9%B3%E8%A1%A1%E8%AE%BE%E7%BD%AE%E4%B8%8B%E7%9A%84%E6%80%A7%E8%83%BD%E8%AF%84%E4%BC%B0/</link>
      <pubDate>Fri, 10 Oct 2025 20:06:00 +0800</pubDate>
      <guid>https://blog.qife122.com/p/%E8%81%94%E9%82%A6%E5%AD%A6%E4%B9%A0%E5%9C%A8%E7%BD%91%E7%BB%9C%E5%AE%89%E5%85%A8%E4%B8%AD%E7%9A%84%E5%AE%9E%E6%88%98%E6%AF%94%E8%BE%83%E9%9D%9E%E7%8B%AC%E7%AB%8B%E5%90%8C%E5%88%86%E5%B8%83%E4%B8%8E%E4%B8%8D%E5%B9%B3%E8%A1%A1%E8%AE%BE%E7%BD%AE%E4%B8%8B%E7%9A%84%E6%80%A7%E8%83%BD%E8%AF%84%E4%BC%B0/</guid>
      <description>&lt;h1 id=&#34;联邦学习在真实环境中的比较研究非独立同分布与不平衡设置下的网络安全应用&#34;&gt;联邦学习在真实环境中的比较研究：非独立同分布与不平衡设置下的网络安全应用&lt;/h1&gt;&#xA;&lt;p&gt;机器学习（ML）技术在网络流量分析方面展现出巨大潜力，但其有效性取决于能否获取具有代表性的最新数据集。在网络安全领域，由于隐私和数据共享限制，这一条件往往难以满足。为应对这一挑战，联邦学习（FL）最近作为一种新颖范式出现，它能够在多个客户端之间实现ML模型的协同训练，同时确保敏感数据保留在本地。&lt;/p&gt;</description>
    </item>
  </channel>
</rss>
