分散式系統設計的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列懶人包和總整理

聯邦學習

為了解決分散式系統設計的問題，作者楊強劉洋程勇康焱陳天健于涵 這樣論述：

如何在保證本地訓練資料不公開的前提下，實現多個資料擁有者協同訓練一個共用的機器學習模型？傳統的機器學習方法需要將所有的資料集中到一個地方（例如，資料中心），然後進行機器學習模型的訓練。但這種基於集中資料的做法無疑會嚴重侵害使用者隱私和資料安全。如今，世界上越來越多的人開始強烈要求科技公司必須根據使用者隱私法律法規妥善地處理使用者的資料，歐盟的《通用資料保護條例》是一個很好的例子。   在《聯邦學習》中，我們將描述聯邦學習（亦稱聯邦機器學習）如何將分散式機器學習、密碼學、基於金融規則的激勵機制和博弈論結合起來，以解決分散資料的使用問題。我們會介紹不同種類的面向隱私保護的機器學習解決方案以及技術背

景，並描述一些典型的實際問題解決案例。我們還會進一步論述聯邦學習將成為下一代機器學習的基礎，可以滿足技術和社會需求並促進面向安全的人工智慧的開發和應用。   《聯邦學習》可供電腦科學、人工智慧和機器學習專業的學生，以及大資料和人工智慧應用程式的開發人員閱讀，也可供高等院校的教員、研究機構的研究人員、法律法規制定者和政府監管部門參考。   楊強 楊強教授是微眾銀行的首席人工智慧官（CAIO）和香港科技大學（HKUST）電腦科學與工程系講席教授。他是香港科技大學電腦科學與工程系的前任系主任，並曾擔任大數據研究院的創始主任（2015-2018年）。他的研究興趣包括人工智慧、機器學

習和資料採擷，特別是遷移學習、自動規劃、聯邦學習和基於案例的推理。他是多個國際協會的會士（Fellow），包括ACM、AAAI、IEEE、IAPR和AAAS。他於1982年獲得北京大學天體物理學學士學位，分別於1987年和1989年獲得馬里蘭大學派克分校電腦科學系碩士學位和博士學位。他曾在在滑鐵盧大學（1989-1995年）和西蒙弗雷澤大學（1995-2001年）擔任教授。他是ACMTIST和IEEETBD的創始主編。他是國際人工智慧聯合會議（IJCAI）的理事長（2017-2019年）和人工智慧發展協會（AAAI）的執行委員會成員（2016-2020年）。楊強教授曾獲多個獎項，包括2004/

2005ACMKDDCUP冠軍、ACMSIGKDD卓越服務獎（2017）、AAAI創新人工智慧應用獎（2018,2020）和吳文俊人工智慧傑出貢獻獎（2019）。他是華為諾亞方舟實驗室的創始主任（2012-2014年）和第四範式（AI平臺公司）的共同創始人。他是IntelligentPlanning（Springer）、CraftingYourResearchFuture(Morgan&Claypool)、TransferLearning（CambridgeUniversityPress）與Constraint-basedDesignRecoveryforSoftwareEngineering

（Springer）等著作的作者。   劉洋 劉洋是微眾銀行AI項目組的高級研究員。她的研究興趣包括機器學習、聯邦學習、遷移學習、多智慧體系統、統計力學，以及這些技術的產業應用。她於2012年獲得普林斯頓大學博士學位，2007年獲得清華大學學士學位。她擁有多項國際發明專利，研究成果曾發表於Nature、IJCAI和ACMTIST等科研刊物和會議上。她曾獲AAAI人工智慧創新應用獎、IJCAI創新應用獎等多個獎項，並擔任IJCAI高級程式委員會委員，NeurIPS等多個人工智慧會議研討會聯合主席，以及IEEEIntelligentSystems期刊客座編委等。   程勇 程勇是微眾銀行AI項目組

的高級研究員。他曾任華為技術有限公司（深圳）高級工程師和德國貝爾實驗室高級研究員，也曾在華為-香港科技大學創新實驗室擔任研究員。他的研究興趣和專長主要包括聯邦學習、深度學習、電腦視覺和OCR、數學優化理論和演算法、分散式和網路計算以及混合整數規劃。他發表期刊和會議論文20餘篇。他於2006年、2010年、2013年分別在浙江大學、香港科技大學、德國達姆施塔特工業大學獲工學學士學位（一等榮譽）、碩士學位和博士學位。他于2014年獲達姆施塔特工業大學最佳博士論文獎，於2006年獲浙江大學最佳學士論文獎。他在ICASSP’15會議上做了關於“混合整數規劃”的教程。他是IJCAI’19和NIPS’19

等國際會議的程式委員會委員。   康焱 康焱是微眾銀行AI項目組的高級研究員。他的工作重點是面向隱私保護的機器學習和聯邦遷移學習技術的研究和實現。他在馬里蘭大學巴爾的摩分校獲電腦碩士和博士學位。他的博士論文研究的是以機器學習和語義網路進行異構資料集成，並獲得了博士論文獎學金。在就讀研究生期間，他參與了與美國國家標準與技術研究院（NIST）和美國國家科學基金會（NSF）合作的多個項目，設計和開發語義網路集成系統。他在商務軟體專案方面也有著豐富的經驗。他曾在美國StardogUnion公司和美國塞納公司工作了四年多的時間，從事系統設計和實現方面的工作。   陳天健 陳天健是微眾銀行AI項目組的副總

經理。他現在負責構建基於聯邦學習技術的銀行智慧生態系統。在加入微眾銀行之前，他是百度金融的首席架構師，同時也是百度的首席架構師。他擁有超過12年的大規模分散式系統設計經驗，並在Web搜尋引擎、對等網路存儲、基因組學、推薦系統、數位銀行和機器學習等多個應用領域中實現了技術創新。他現居於中國深圳，與其他工作夥伴一起建設和推廣聯邦AI生態系統和相關的開源項目FATE。   于涵 於涵現任職新加坡南洋理工大學（NTU）電腦科學與工程學院助理教授、微眾銀行特聘顧問。在2015—2018年期間，他在南洋理工大學擔任李光耀博士後研究員（LKYPDF）。在加入南洋理工大學之前，他曾在新加坡惠普公司擔任嵌入式軟

體工程師。他於2014年獲南洋理工大學電腦科學博士學位。他的研究重點是線上凸優化、人工智慧倫理、聯邦學習及其在眾包等複雜協作系統中的應用。他在國際學術會議和期刊上發表研究論文120餘篇，獲得了多項科研獎項。   序言Ⅲ 前言Ⅳ 作者簡介Ⅷ   第1 章 引言/1 1.1 人工智慧面臨的挑戰/2 1.2 聯邦學習概述/4 1.2.1 聯邦學習的定義/5 1.2.2 聯邦學習的分類/8 1.3 聯邦學習的發展/11 1.3.1 聯邦學習的研究/11 1.3.2 開源平臺/13 1.3.3 聯邦學習標準化進展/14 1.3.4 聯邦人工智慧生態系統/15   第2 章 隱私、安全

及機器學習/17 2.1 面向隱私保護的機器學習/18 2.2 面向隱私保護的機器學習與安全機器學習/18 2.3 威脅與安全模型/19 2.3.1 隱私威脅模型/19 2.3.2 攻擊者和安全模型/21 2.4 隱私保護技術/22 2.4.1 安全多方計算/22 2.4.2 同態加密/27 2.4.3 差分隱私/30 第3 章 分散式機器學習/35 3.1 分散式機器學習介紹/36 3.1.1 分散式機器學習的定義/36 3.1.2 分散式機器學習平臺/37 3.2 面向擴展性的DML /39 3.2.1 大規模機器學習/39 3.2.2 面向擴展性的DML 方法/40 3.3 面向隱私保護

的DML /43 3.3.1 隱私保護決策樹/43 3.3.2 隱私保護方法/45 3.3.3 面向隱私保護的DML 方案/45 3.4 面向隱私保護的梯度下降方法/48 3.4.1 樸素聯邦學習/49 3.4.2 隱私保護方法/49 3.5 挑戰與展望/51   第4 章 橫向聯邦學習/53 4.1 橫向聯邦學習的定義/54 4.2 橫向聯邦學習架構/55 4.2.1 客戶-伺服器架構/55 4.2.2 對等網路架構/58 4.2.3 全域模型評估/59 4.3 聯邦平均演算法介紹/60 4.3.1 聯邦優化/60 4.3.2 聯邦平均演算法/63 4.3.3 安全的聯邦平均演算法/65 4

.4 聯邦平均演算法的改進/68 4.4.1 通信效率提升/68 4.4.2 參與方選擇/69 4.5 相關工作/69 4.6 挑戰與展望/71   第5 章 縱向聯邦學習/73 5.1 縱向聯邦學習的定義/74 5.2 縱向聯邦學習的架構/75 5.3 縱向聯邦學習演算法/77 5.3.1 安全聯邦線性回歸/77 5.3.2 安全聯邦提升樹/80 5.4 挑戰與展望/85   第6 章 聯邦遷移學習/87 6.1 異構聯邦學習/88 6.2 聯邦遷移學習的分類與定義/88 6.3 聯邦遷移學習框架/90 6.3.1 加法同態加密/93 6.3.2 聯邦遷移學習的訓練過程/94 6.3.3 聯

邦遷移學習的預測過程/95 6.3.4 安全性分析/95 6.3.5 基於秘密共用的聯邦遷移學習/96 6.4 挑戰與展望/97   第7 章 聯邦學習激勵機制/99 7.1 貢獻的收益/100 7.1.1 收益分享博弈/100 7.1.2 反向拍賣/102 7.2 注重公平的收益分享框架/103 7.2.1 建模貢獻/103 7.2.2 建模代價/104 7.2.3 建模期望損失/105 7.2.4 建模時間期望損失/105 7.2.5 策略協調/106 7.2.6 計算收益評估比重/108 7.3 挑戰與展望/109   第8 章 聯邦學習與電腦視覺、自然語言處理及推薦系統/111 8.1

聯邦學習與電腦視覺/112 8.1.1 聯邦電腦視覺/112 8.1.2 業內研究進展/114 8.1.3 挑戰與展望/115 8.2 聯邦學習與自然語言處理/116 8.2.1 聯邦自然語言處理/116 8.2.2 業界研究進展/118 8.2.3 挑戰與展望/118 8.3 聯邦學習與推薦系統/119 8.3.1 推薦模型/120 8.3.2 聯邦推薦系統/121 8.3.3 業界研究進展/123 8.3.4 挑戰與展望/123   第9 章 聯邦強化學習/125 9.1 強化學習介紹/126 9.1.1 策略/127 9.1.2 獎勵/127 9.1.3 價值函數/127 9.1.4

環境模型/127 9.1.5 強化學習應用舉例/127 9.2 強化學習演算法/128 9.3 分散式強化學習/130 9.3.1 非同步分散式強化學習/130 9.3.2 同步分散式強化學習/131 9.4 聯邦強化學習/131 9.4.1 聯邦強化學習背景/131 9.4.2 橫向聯邦強化學習/132 9.4.3 縱向聯邦強化學習/134 9.5 挑戰與展望/136   第10 章 應用前景/139 10.1 金融/140 10.2 醫療/141 10.3 教育/142 10.4 城市計算和智慧城市/144 10.5 邊緣計算和物聯網/146 10.6 區塊鏈/147 10.7 第五代移動

網路/148   第11 章 總結與展望/149   附錄A 資料保護法律和法規/151 A.1 歐盟的資料保護法規/152 A.1.1 GDPR 中的術語/153 A.1.2 GDPR 重點條款/154 A.1.3 GDPR 的影響/156 A.2 美國的資料保護法規/157 A.3 中國的資料保護法規/158   參考文獻/161  

分散式系統設計進入發燒排行的影片

用於平行偵測Android應用程式異常之操作注入框架的分散式架構設計

為了解決分散式系統設計的問題，作者王方顯 這樣論述：

AAD (Android Anomaly Detector)框架是一個能自動化偵測Android應用程式異常(Anomaly)行為的工具。該工具透過分析應用程式的GUI狀態圖產生出多條測試路徑，並且能在各測試路徑中注入一種或多種操作 (Operation)，例如旋轉螢幕、以及撤銷權限等等，再使用注入過後的測試路徑來偵測應用程式是否有發生異常行為。但隨著應用程式的測試路徑以及注入操作的數量提升，既有AAD卻只支援本地單一裝置、順序執行的方式進行測試，因此需要大量時間來執行測試。為了解決上述問題，本論文擴充AAD使其支援同時使用多裝置進行平行化測試，用空間換取時間，以達成不影響操作注入數量的前提

下大幅減少測試時間，並且為了提高平行化執行的可擴展性，本論文進一步提出一種分散式架構，允許AAD使用遠端Android虛擬裝置進行測試，並能根據所需調整其數量。實驗結果顯示AAD進行平行化執行時能在不影響測試結果的前提下大幅減少測試時間，在使用本地4台裝置時平均能達到3.1倍的加速幅度。另外，AAD在使用分散式架構獲得遠端裝置進行測試時，能使同時使用的裝置上限突破4台，且將會比本地裝置更有效率，進一步縮短執行測試的時間。此外，在同時使用8台及16台裝置時平均能加快4.6倍與5.6倍。

移動平台深度神經網路實戰：原理、架構與優化

為了解決分散式系統設計的問題，作者盧譽聲 這樣論述：

本書精講移動平臺深度學習系統所需核心演算法、硬體級指令集、系統設計與程式設計實戰、海量資料處理、業界流行框架裁剪與產品級性能優化策略等，深入、翔實。 深度學習基礎（第1～4章），介紹開發機器學習系統所需重要知識點，以及開發移動平臺機器學習系統演算法基石，諸如人工神經網路、稀疏自編碼器、深度網路、卷積神經網路等。 移動平臺深度學習基礎（第5～6章），介紹移動平臺開發環境搭建、移動平臺開發基礎、ARM指令集加速技術，以及羽量級網路的實現原理與實戰。 深入理解深度學習（第7～8章），剖析資料預處理原理與方法，高性能即時處理系統開發，以及基於深度神經網路的物體檢測與識別。本篇是下一篇內容的前導與

“基石”。 深入理解移動平臺深度學習（第9～12章），本篇應用前述章節的框架與技術，實現移動平臺深度學習系統的實現與集成，具體涵蓋：① 移動平臺性能優化，資料獲取與訓練，為開發移動平臺圖像分類系統建立基礎；② 深入剖析TensorFlow Lite代碼體系、構建原理、集成方法以及核心代碼與裁剪分析，模型處理工具，並完成移動平臺系統集成；③ 結合實戰分析主流移動平臺機器學習框架、介面，並展望未來。   盧譽聲 Autodesk資料平臺和計算平臺資深工程師，負責平臺架構研發工作。工作內容涵蓋大規模分散式系統的伺服器後端、前端以及SDK的設計與研發，在資料處理、即時計算、分散式

系統設計與實現、性能調優、高可用性和自動化等方面積累了豐富的經驗。擅長C/C++、JavaScript開發，此外對 Scala、Java以及移動平臺等也有一定研究。 著有《移動平臺深度神經網路實戰：原理、架構與優化》、《分散式即時處理系統：原理架構與實現》，並譯有《高級C/C++編譯技術》和《JavaScript程式設計精解（原書第2版）》等。   序一 序二 前言 第一篇　深度學習基礎 第1章　向未來問好 2 1.1　機器學習即正義 2 1.1.1　照本宣科 3 1.1.2　關鍵概念概述 4 1.1.3　數學之美 5 1.2　機器學習的場景和任務 6 1.3　機器學習

演算法 8 1.4　如何掌握機器學習 10 1.4.1　學習曲線 10 1.4.2　技術棧 11 1.5　深度學習 12 1.6　走進移動世界的深度學習 25 1.7　本書框架 26 1.8　本章小結 27 第2章　機器學習基礎 28 2.1　機器學習的主要任務 28 2.2　貝葉斯模型 29 2.3　Logistic回歸 33 2.4　本章小結 44 第3章　人工神經網路 45 3.1　人工神經網路簡介 45 3.2　基本結構與前向傳播 46 3.3　反向傳播演算法 50 3.4　實現前向神經網路 53 3.5　稀疏自編碼器 61 3.6　神經網路資料預處理 64 3.7　本章小結 65

第4章　深度網路與卷積神經網路 66 4.1　深度網路 66 4.2　卷積神經網路 70 4.3　卷積神經網路實現 73 4.4　本章小結 110 第二篇　移動平臺深度學習基礎 第5章　移動平臺深度學習框架設計與實現 112 5.1　移動平臺深度學習系統開發簡介 112 5.2　ARM Linux基礎開發環境 113 5.2.1　通用ARM工具鏈安裝 114 5.2.2　Android NDK安裝 114 5.2.3　樹莓派工具鏈安裝 115 5.3　TensorFlow Lite介紹 115 5.3.1　TensorFlow Lite特性 115 5.3.2　TensorFlow Li

te架構 116 5.3.3　TensorFlow Lite代碼結構 117 5.4　移動平臺性能優化基礎 118 5.4.1　ARM v8體系結構 119 5.4.2　ARM v8資料類型與寄存器 120 5.4.3　Neon指令集介紹 122 5.4.4　ARM v8記憶體模型 124 5.4.5　Neon指令集加速實例 127 5.5　本章小結 140 第6章　移動平臺羽量級網路實戰 141 6.1　適用於移動平臺的羽量級網路 141 6.2　SqueezeNet 142 6.2.1　微觀結構 142 6.2.2　宏觀結構 142 6.2.3　核心思路 143 6.2.4　實戰：用Py

Torch實現SqueezeNet 144 6.3　MobileNet 153 6.4　ShuffleNet 154 6.5　MobileNet V2 155 6.5.1　MobileNet的缺陷 155 6.5.2　MobileNet V2的改進 155 6.5.3　網路結構 156 6.5.4　實戰：用PyTorch實現MobileNet V2 157 6.6　本章小結 161 第三篇　深入理解深度學習 第7章　高性能數據預處理實戰 164 7.1　資料預處理任務 164 7.2　數據標準化 166 7.3　PCA 167 7.4　在Hurricane之上實現PCA 170 7.5　本章

小結 192 第8章　基於深度神經網路的物體檢測與識別 193 8.1　模式識別與物體識別 193 8.2　圖像分類 197 8.3　目標識別與物體檢測 207 8.4　檢測識別實戰 213 8.5　移動平臺檢測識別實戰 237 8.6　本章小結 258 第四篇　深入理解移動平臺深度學習 第9章　深入移動平臺性能優化 260 9.1　模型壓縮 260 9.2　權重稀疏化 262 9.3　模型加速 275 9.4　嵌入式優化 287 9.5　嵌入式優化代碼實現 290 9.6　本章小結 313 第10章　資料獲取與模型訓練實戰 314 10.1　收集海量資料 314 10.2　圖片資料爬蟲

實現 317 10.3　訓練與測試 330 10.3.1　模型定義 330 10.3.2　訓練 334 10.3.3　測試 342 10.3.4　封裝 344 10.4　本章小結 345 第11章　移動和嵌入式平臺引擎與工具實戰 346 11.1　TensorFlow Lite構建 346 11.2　集成TensorFlow Lite 357 11.3　核心實現分析 358 11.4　模型處理工具 407 11.5　本章小結 425 第12章　移動平臺框架與介面實戰 426 12.1　Core ML 426 12.2　Android Neural Networks API 437 12.2

.1　等等，Google還有一個ML Kit 437 12.2.2　NNAPI程式設計模型 437 12.2.3　創建網路與計算 439 12.2.4　JNI封裝與調用 451 12.2.5　App實戰：集成NNAPI 454 12.3　實戰：實現Android圖像分類器App 459 12.3.1　JNI封裝 459 12.3.2　Java調用 474 12.4　未來之路 479 12.5　本章小結 480   為什麼要寫這本書 機器學習、雲計算與移動技術的興起為電腦科學領域注入了前所未有的活力，而海量資料時代的來臨更是為機器學習技術帶來了新的發展契機。我們可以看到，越

來越多的企業和研發機構開始在自己的產品當中加入機器智慧，曾經僅僅是為了錦上添花而使用的機器學習應用，如今搖身一變，成了現代軟體產品或服務的核心競爭力。 通過機器學習技術，軟體或服務的功能和體驗得到了質的提升。比如，我們甚至可以通過啟發式引擎智慧地預測並調節雲計算分散式系統的節點壓力，以此改善服務的彈性和穩定性，這是多麼美妙。而對移動平臺來說，越來越多的移動終端、邊緣計算設備和App開始引入人工智慧技術，而且對預測即時性要求高的環境也越來越依賴於離線即時機器學習，另外移動技術的普及也讓邊緣計算支援機器智慧成為可能。 然而，開發成熟完善的機器學習系統並不簡單。不同于傳統電腦軟體系統開發，研發機

器學習系統不僅需要掌握扎實的軟體發展技術、演算法原理，還需要掌握紛繁複雜的資料處理原理和實踐方法。此外，機器學習系統的實際載體多種多樣。一個典型的機器學習系統可以是運行在雲計算平臺（比如AmazonAWS）之上的實例，通過API調用的方式提供預測服務。另一種情況是，集中式提供機器學習服務固然不錯，但離線機器學習計算是一項重大補充。 在對即時性要求極為苛刻的生產環境中，即時的本地機器學習預測技術就顯得尤為關鍵，如何在確保準確率的前提下，提升整體計算效率、降低系統功耗成為需要攻克的難題。在移動技術、邊緣計算等技術突飛猛進的當下，研發高可靠、高效率以及低功耗的移動平臺機器學習系統擁有廣闊的發展願景

和市場，這既為我們創造了新的機遇，也使研發面臨巨大的挑戰。這是筆者撰寫本書的原動力。本書著眼於移動平臺之上的深度神經網路系統的研發和實戰，從理論開始，抽絲剝繭地闡述、歸納和總結研發高性能計算系統的各個方面，同時輔以實戰，帶領讀者一起掌握實際的工程落地方法。 未來已至，我們需要做好準備！ 本書特色 本書是一本由淺入深詳細講解研發高性能移動平臺深度學習系統的程式設計實戰書。本書從基礎機器學習知識開始講起，涵蓋設計和使用高性能分散式即時處理系統，移動平臺程式設計，前向引擎優化和裁剪，實際的代碼編寫，最終實現一整套針對移動領域開發的完整機器學習解決方案。在本書中，我們將介紹一套以C++編寫的高性能分

散式即時處理系統Hurricane及其使用方法，供資料收集和預處理使用。在此基礎上，我們會深入剖析機器學習原理和深度神經網路概念，而概念講解伴隨而來的是程式設計實戰，本書主要使用Python來講解基礎演算法，驗證設想。 另外，本書採用循序漸進的方式講解理論知識，從基礎知識入手到艱澀的優化演算法。相比於C/C++，Python是一門易於上手並實驗友好的膠水語言，因此在講解各類概念與演算法時，我們會使用Python來驗證設想。從神經網路和深度學習篇章開始，為了給工程開發學習打下堅實的基礎，本書除了使用Python代碼驗證設想外，還使用C/C++來實現產品級的代碼。 由於本書的主題是講解如何開發

實現高性能的移動平臺深度學習系統，因此會花費大量篇幅講解各種旨在提升演算法速度和減小模型的小的演算法與技術手段，從羽量級網路等演算法模型層面改良到Neon指令集應用、權重稀疏化、半精度、權重量化等優化演算法與技術實現，最終完成適用於移動平臺的深度學習引擎性能增強與模型裁剪。為了完成完整的深度學習系統，我們除了要掌握基本原理外還需要掌握各類實現應用所需的工程技術。例如，在第三篇講解與完成整個系統相關的所有技術時，還介紹了如何爬取訓練用的圖像資料、清理訓練資料、編寫訓練代碼等內容，並以Tensor FlowLite為例，講解移動平臺深度學習引擎框架的搭建方法，卷積層、池化層和全連接層實現與iOS（

包括iPadOS）、Android等平臺的交互操作實現與封裝方案，最終完成可以在iOS與Android上實際運行的深度學習系統。 期待讀者能從本書中學到新的知識，以便對深度學習與移動平臺系統開發有更加深入的認識，瞭解如何構建一個高性能移動平臺深度學習系統。  

離散式不確定性與擾動分散式系統模型參考自適應強健控制器設計

為了解決分散式系統設計的問題，作者方俊修 這樣論述：

本文主在設計一離散式不確定性與擾動分散式系統模型參考自適應強健控制器，用來使可調系統輸出有效追蹤參考系統輸出之軌跡。現今的控制系統大都已經轉向離散型 (數位型) 控制，且分散式系統也在這幾年成為熱門的主題之一，例如衛星系統、電力系統、通信系統等，也都朝向數位化及分散式系統設計。在本文中，控制系統架構方面以模型參考控制 (MRAC) 架構為主軸，配合 Lyapunov 第二法推算出自適應律，包括自適應反饋項與直接自適應控制項，以調整自適應項至最佳值，使可調系統輸出與參考系統輸出，兩者之間誤差最小化達到一定範圍內。