1.背景介绍自然语言处理(NaturalLanguageProcessing,NLP)是计算机科学与人工智能中的一个分支，研究如何让计算机理解和生成人类语言。在过去的几年里，随着深度学习技术的发展，NLP领域取得了显著的进展。深度学习技术，如卷积神经网络(ConvolutionalNeuralNetworks,CNN)和循环神经网络(RecurrentNeuralNetworks,RNN)，已经成功地应用于文本分类、情感分析、机器翻译等任务。然而，深度学习模型的训练过程通常需要大量的数据和计算资源，这使得在某些任务上的训练时间和成本变得非常高昂。为了解决这个问题，研究人员开始关注传输学习(Tr
@ARTICLE{10105495,author={Li,HuiandXu,TianyangandWu,Xiao-JunandLu,JiwenandKittler,Josef},journal={IEEETransactionsonPatternAnalysisandMachineIntelligence},title={LRRNet:ANovelRepresentationLearningGuidedFusionNetworkforInfraredandVisibleImages},year={2023},volume={45},number={9},pages={11040-11052},
文章：Privacy-PreservingByzantine-RobustFederatedLearningviaBlockchainSystems背景原因解决方案工作贡献成果预备知识联邦学习投毒攻击投毒攻击分类数据投毒和模型投毒攻击同态加密系统模型威胁模型核心系统算法局部计算局部梯度归一化判断梯度权重聚合算法会议来源：IEEETRANSACTIONSONINFORMATIONFORENSICSANDSECURITY,VOL.17,2022背景原因1.分布式机器学习在海量数据上实现了更大模型的训练，但仍然容易受到安全和隐私泄露的影响2.保护隐私的联邦学习方案之一是使用同态加密方案(如Paill
论文链接：https://openaccess.thecvf.com/content/CVPR2022W/UG2/papers/Wu_Contrastive_Learning-Based_Robust_Object_Detection_Under_Smoky_Conditions_CVPRW_2022_paper.pdfAbstract 目标检测是指有效地找出图像中感兴趣的目标，然后准确地确定它们的类别和位置。近年来，许多优秀的方法被开发出来，以提供强大的检测能力。然而，在恶劣天气如烟熏条件下，它们的性能可能会显著降低。在这篇论文基于对比下学习提出了一个鲁棒的烟雾图像目标检测算法
WangH,ChenY,MaC,etal.Multi-ModalLearningWithMissingModalityviaShared-SpecificFeatureModelling[C]//ProceedingsoftheIEEE/CVFConferenceonComputerVisionandPatternRecognition.2023:15878-15887.【论文概述】本文的核心思想是提出一种名为“共享-特定特征建模（ShaSpec）”的方法，用于处理多模态学习中的缺失模态问题。该方法在训练和评估期间利用所有可用的输入模态，通过学习共享和特定的特征来更好地表示输入数据。这是通过基
个人阅读笔记，如有错误欢迎指出!会议：NDSS2022 [2009.03561]LocalandCentralDifferentialPrivacyforRobustnessandPrivacyinFederatedLearning(arxiv.org)问题： 尽管联邦学习能在一定程度上保护数据隐私，但也存在隐私和鲁棒性漏洞主要贡献： 首次发现LDP和CDP都可以抵御后门攻击 发现仅在FL的非攻击者上应用LDP可以提高后门攻击的准确性 LDP和CDP可以防止（白盒）成员推断 LDP与CDP均不能防御属性推断攻击
Wholeslideimagesclassificationmodelbasedonself-learningsampling论文介绍摘要引言相关工作方法问题定义模型结构特征提取自学习采样模块基于Transformer的特征编码损失函数实验分析和结论总结论文介绍这是一篇发表在BSPC(BiomedicalSignalProcessingandControl)上的关于WSI分类的文章，作者是上海科技大学的学生/老师。论文链接为：https://www.sciencedirect.com/science/article/pii/S1746809423012594代码：暂未开源摘要深度学习与计算病理
论文下载代码SupplementaryMaterialsbib:@INPROCEEDINGS{, title ={Self-PacedCurriculumLearning}, author ={LuJiangandDeyuMengandQianZhaoandShiguangShanandAlexanderHauptmann}, booktitle ={AAAI}, year ={2015}, pages={2694--2700}}1.摘要Curriculumlearning(CL)orself-pacedlearning(SPL)representsarecentlyproposedlea
AAAI24摘要多任务强化学习致力于用单一策略完成一组不同的任务。为了通过跨多个任务共享参数来提高数据效率，常见的做法是将网络分割成不同的模块，并训练路由网络将这些模块重新组合成特定于任务的策略。然而，现有的路由方法对所有任务采用固定数量的模块，忽略了具有不同难度的任务通常需要不同数量的知识。这项工作提出了一种动态深度路由（D2R）框架，该框架学习策略性地跳过某些中间模块，从而为每个任务灵活选择不同数量的模块。在此框架下，我们进一步引入了ResRouting方法来解决离策略训练期间行为和目标策略之间不同的路由路径问题。此外，我们设计了一种自动路由平衡机制，以鼓励对未掌握任务的持续路由探索，而不
一、Q-learning简介Q-learning是一种强化学习算法，用于解决基于马尔可夫决策过程（MDP）的问题。它通过学习一个价值函数来指导智能体在环境中做出决策，以最大化累积奖励。Q-learning算法的核心思想是通过不断更新一个称为Q值的表格来学习最优策略。Q值表示在给定状态下采取某个动作所能获得的预期累积奖励。算法的基本步骤如下：1.初始化Q值表格，将所有Q值初始化为0。2.在每个时间步骤t，智能体观察当前状态st，并根据当前Q值表格选择一个动作at。选择动作的方法可以是ε-greedy策略，即以ε的概率随机选择一个动作，以1-ε的概率选择当前Q值最大的动作。3.执行动作at，观察环
