本文介绍了一个修改后的用户数据报协议（UDP），用于联合学习，以确保模型参数传输过程中的效率和可靠性，从而在每个联合学习回合中最大程度地发挥全局模型的潜力。在开发和测试此协议时，使用NS3模拟器来模拟通过网络的数据包传输，而Google TensorFlow用于创建自定义的联合学习环境。在此初步实现中，模拟包含三个节点，其中两个节点是客户端节点，一个是服务器节点。本文获得的结果提供了对未来联邦学习的协议能力的信心协议和修改后的UDP协议将进行模拟。还将探索修改后的UDP的优化，以提高效率，同时确保可靠性。
translated by 谷歌翻译
本文研究了衍生物的惩罚样条估计的渐近行为。特别是，我们表明，简单地区分平均回归函数的惩罚样条估计器，以估计相应的衍生物达到最佳的L2收敛速率。
translated by 谷歌翻译
检测欺诈性交易是控制电子商务市场风险的重要组成部分。除了已经在生产中部署的基于规则和机器学习过滤器外，我们还希望使用图形神经网络（GNN）进行有效的实时推理，这对于在事务图中捕获多跃风风险传播非常有用。但是，在生产中实施GNN时出现了两个挑战。首先，在消息传递中不应考虑以预测过去中的动态图中的未来信息。其次，图形查询和GNN模型推断的延迟通常高达数百毫秒，这对于某些关键的在线服务来说是昂贵的。为了应对这些挑战，我们提出了一个批处理和实时的成立图拓扑（BRIGHT）框架，以进行端到端的GNN学习，以允许有效的在线实时推理。 Bright框架由图形转换模块（两阶段有向图）和相应的GNN体系结构（Lambda神经网络）组成。两阶段的指示图保证了通过邻居传递的信息仅来自历史支付交易。它分别由代表历史关系和实时链接的两个子图组成。 Lambda神经网络将推断分为两个阶段：实体嵌入的批次推断和交易预测的实时推断。我们的实验表明，在平均W.R.T.〜精确度中，BRIGHT优于基线模型> 2 \％。此外，BRIGHT在实时欺诈检测上在计算上是有效的。关于端到端性能（包括邻居查询和推理），BRIGHT可以将P99延迟降低> 75 \％。对于推理阶段，与传统GNN相比，我们的加速平均为7.8美元。
translated by 谷歌翻译