基于张量分解与网络权重的终端数据同分布识别算法

联邦学习协调多个异地终端使用当地用户数据训练神经网络,并用服务器收集已训练的网络权重更新全局神经网络。联邦学习无须收集用户数据,保护了用户隐私,且利用了用户数据训练网络。然而,由于用户偏好的差异,用户数据常不满足同一分布,导致无法使用一个全局神经网络拟合所有数据。为了让服务器能依据终端训练的权重识别数据分布,用不同网络拟合不同分布的终端,提出一种基于张量分解的算法仅使用网络权重识别含相同数据分布的终端。将终端所训练的神经网络权重表示为高维度张量,并使用张量分解自适应地寻找潜在最优子空间,学习每个权重更具辨识性的新表征,对新表征聚类以识别出具有相同数据分布的终端。使用多个数据集验证了该算法对终端数据分布一致性识别的高效性。     

氧化石墨烯分离膜的构建及影响其渗透与截留的因素综述

膜分离技术对水资源的循环利用具有重要意义。氧化石墨烯（GO）构建的过滤膜具有可调节的纳米层间距,有利于实现膜通量与截留率的平衡。本文介绍了GO膜结构的构建方式及改性方法。在此基础上,进一步对影响GO膜渗透与截留的因素进行了综述。最后概述了GO膜在水处理中的应用,总结并展望了GO膜的发展方向,这对之后研究人员构建高质量的GO膜提供了一定的参考。