为了满足下一代无线通信网络的极其异构要求，研究界越来越依赖于使用机器学习解决方案进行实时决策和无线电资源管理。传统的机器学习采用完全集中的架构，其中整个培训数据在一个节点上收集，即云服务器，显着提高了通信开销，并提高了严重的隐私问题。迄今为止，最近提出了作为联合学习（FL）称为联合学习的分布式机器学习范式。在FL中，每个参与边缘设备通过使用自己的培训数据列举其本地模型。然后，通过无线信道，本地训练模型的权重或参数被发送到中央ps，聚合它们并更新全局模型。一方面，FL对优化无线通信网络的资源起着重要作用，另一方面，无线通信对于FL至关重要。因此，FL和无线通信之间存在“双向”关系。虽然FL是一个新兴的概念，但许多出版物已经在FL的领域发表了发布及其对下一代无线网络的应用。尽管如此，我们注意到没有任何作品突出了FL和无线通信之间的双向关系。因此，本调查纸的目的是通过提供关于FL和无线通信之间的相互依存性的及时和全面的讨论来弥合文学中的这种差距。

预期人类行为的问题是固有的不确定问题。但是，如果我们对演员试图实现的目标有一种了解，我们可以减少这种不确定性。在这里，我们提出了一个动作预期模型，该模型利用目标信息，以减少未来预测中的不确定性。由于我们在推理过程中没有目标信息或观察到的动作，因此我们诉诸于视觉表示，以封装有关动作和目标的信息。通过此，我们得出了一个名为“抽象目标”的新颖概念，该概念基于观察到的视觉特征序列进行动作预期。我们将抽象目标设计为分布，其参数是使用变异复发网络估算的。我们为下一个动作采样了多个候选人，并引入目标一致性度量，以确定从抽象目标中遵循的最佳候选人。我们的方法对非常具有挑战性的Epic-Kitchens55（EK55），EK100和EGTEA凝视+数据集获得了令人印象深刻的结果。对于TOP-1动词，TOP-1名词和TOP-1动作预期精度，我们获得了+13.69，+11.24和+5.19的绝对改进，分别在先前的最新厨房（S1）的方法上获得了预期精度。 EK55。同样，我们还可以在Top-1动词（+10.75），名词（+5.84）和Action（+2.87）预期的Top-1动词（+10.75）设置的Uney厨房（S2）方面得到显着改进。对于EGTEA凝视 +数据集，观察到类似的趋势，在该数据中，对于名词，动词和动作预期，获得了+9.9，+13.1和+6.8的绝对改进。通过本文提交，我们的方法目前是EK55和EGTEA凝视+ https://competitions.codalab.org/competitions/20071#Results代码的新的最先进的预期。 //github.com/debadityaroy/abstract_goal

仇恨言语分类一直是自然语言处理中的一个长期问题。但是，即使有许多仇恨言论检测方法，它们通常忽略了许多仇恨言论，因为它们在自然界中是隐含的。开发数据集以协助隐性仇恨言语分类的任务伴随着自己的挑战；困难是语言上的细微差别，改变了构成仇恨言论的定义以及劳动密集型的注释过程。这导致了可用于训练和测试此类系统的数据稀缺，当使用基于参数的变压器模型来解决该问题时，这会引起较高的差异问题。在本文中，我们探讨了各种优化和正则化技术，并开发了一种基于罗伯塔的新型模型，可实现最先进的性能。