文章目录1.同态加密简介2.举例理解1.同态加密简介同态加密是数据加密方式的一种，特点是允许加密后的数据（密文）进行数学或逻辑运算，同时密文进行数学或逻辑运算之后再解密，结果近似等于原始数据（明文）的数学或逻辑运算结果。2.举例理解假设：我们想通过云计算平台进行两个数的加法运算，如：m1=100m_1=100m1=100，m2=200m_2=200m2=200，计算m1+m2m_1+m_2m1+m2，但又不希望云计算平台知道这两个数是多少，那么可使用同态加密技术。（本地）生成一对密钥，公钥pubpubpub和私钥privprivpriv，公钥用于加密，私钥用于解密；（本地）使用公钥pu
本内容主要介绍实现图像去模糊的MIMO-UNet模型。论文：RethinkingCoarse-to-FineApproachinSingleImageDeblurring代码（官方）：https://github.com/chosj95/MIMO-UNet1.背景 由于深度学习的成功，基于卷积神经网络（CNN）的图像去模糊方法已被广泛研究，并显示出良好的性能。基于卷积神经网络的图像去模糊模型主要分为两大类。早期，采用两阶段图像去模糊框架，即基于CNN的模糊核估计阶段和基于模糊核的去模糊阶段。最近，直接以端到端的方式直接学习模糊-清晰图像对之间的复杂关系，即直接从模糊图像获得清晰图像，De
目录前言介绍局部聚类系数全局聚类系数前言在GraphSage论文的理论分析部分，涉及到一个概念叫做“Clusteringcoefficient”，直译过来就是聚类系数，解释为“节点的一跳邻域内封闭的三角形的比例”，本文对其做一个简单的介绍。本文参考了Wiki百科-Clusteringcoefficient。更：关于GraphSage论文详解，请参见博文《GraphSage-《InductiveRepresentationLearningonLargeGraphs》论文详解》介绍在图论中，聚类系数是图中节点倾向于聚类在一起的程度的度量。相关论文表明12，在大多数现实世界的网络中，尤其是社交网络中
与GANFLOWVAE类似扩散模型是一种生成模型。需要用到的概率事实：条件概率马尔科夫链的转移公式高斯分布的KL散度公式KL(P,Q)=logσ2σ1+σ2+(μ1−μ2)22σ22−12(其中P.Q为一维高斯分布)KL(P,Q)=log\frac{\sigma_2}{\sigma_1}+\frac{\sigma^2+(\mu_1-\mu_2)^2}{2\sigma_2^2}-\frac12{\tiny(其中P.Q为一维高斯分布)}KL(P,Q)=logσ1σ2+2σ22σ2+(μ1−μ2)2−21(其中P.Q为一维高斯分布)重参数技巧(从特殊高斯分布中采样点时不可
论文链接：ImprovedDenoisingDiffusionProbabilisticModels文章目录摘要引言去噪扩散概率模型定义实际训练对数似然改善可学习的∑θ(xt,t)\sum_{\theta}(x_t,t)∑θ(xt,t)噪声添加方式改善减少梯度噪声结果和消融采样速度改善与GANs对比扩展模型尺寸相关工作结论摘要去噪扩散概率模型(DDPM)是一类生成模型，最近被证明可以产生优秀的样本。本文表明，通过一些简单的修改，ddpm也可以在保持高样本质量的同时实现竞争对数似然。此外，发现反向扩散过程的学习方差允许以更少数量级的正向采样进行采样，而样本质量的差异可以忽略不计，这对于这些模
目录1Gram-Schmidt的计算公式推导2Gram-Schmidt的意义3ModifiedGram-Schmidt(以算法模式计算正交向量)3.1ModifiedG-S会出现的问题：当矩阵开始存在微小误差时，会在运算过程中不断累积误差，导致越算越不准确，以至于计算所得的基不正交4StableGram-Schmidt4.1G-S的复杂度（计算量）4.2使用SGS算法解决误差问题4.3MGS和SGS运算的区别在哪里？5GS和LS（最小二乘法）6参考资料注：本博文为本人阅读论文、文章后的原创笔记，未经授权不允许任何转载或商用行为，否则一经发现本人保留追责权利。有问题可留言联系，欢迎指摘批评，共同
【推荐系统】:因子分解机（FactorizationMachine)🌸个人主页：JOJO数据科学📝个人介绍：统计学top3高校统计学硕士在读💌如果文章对你有帮助，欢迎✌关注、👍点赞、✌收藏、👍订阅专栏✨本文收录于【推荐系统入门到项目实战】本系列主要分享一些学习推荐系统领域的方法和代码实现。FM因子分解机模型引言到目前为止，我们讨论的推荐系统都是纯粹基于交互数据的。我们在之前的文章中讨论了为什么使用交互数据能够捕捉这些个性化信息，只需在用户和项目之间找到最大限度解释差异的模式。这个论点在某些条件下理论上是成立的，但也有相当的局限性。在实践中，有几种情况偏离了我们到目前为止所描述的经典设置，需要更
【推荐系统】:因子分解机（FactorizationMachine)🌸个人主页：JOJO数据科学📝个人介绍：统计学top3高校统计学硕士在读💌如果文章对你有帮助，欢迎✌关注、👍点赞、✌收藏、👍订阅专栏✨本文收录于【推荐系统入门到项目实战】本系列主要分享一些学习推荐系统领域的方法和代码实现。FM因子分解机模型引言到目前为止，我们讨论的推荐系统都是纯粹基于交互数据的。我们在之前的文章中讨论了为什么使用交互数据能够捕捉这些个性化信息，只需在用户和项目之间找到最大限度解释差异的模式。这个论点在某些条件下理论上是成立的，但也有相当的局限性。在实践中，有几种情况偏离了我们到目前为止所描述的经典设置，需要更
联邦学习与安全多方计算1.联邦学习2.安全多方计算3.联系与区别1.联邦学习联邦学习（FL，FederatedLearning）是谷歌于2016年提出的一种分布式机器学习框架，可以在保护个人数据隐私的前提下，联合多方用户的数据实现模型训练。联邦学习用于解决“数据孤岛”问题，核心思想是“数据不动模型动，数据可用不可见”。传统机器学习中，数据需集中在一起进行模型训练，这样会暴露个人隐私，且数据共享也面临信任问题。联邦学习中，数据被分散在多个地方，每个地方的数据在本地进行处理形成本地模型，本地模型通过联邦学习算法进行汇聚和更新，最终得到一个全局模型。这样既保护了隐私，同时也避免了数据共享的信任问题。
联邦学习与安全多方计算1.联邦学习2.安全多方计算3.联系与区别1.联邦学习联邦学习（FL，FederatedLearning）是谷歌于2016年提出的一种分布式机器学习框架，可以在保护个人数据隐私的前提下，联合多方用户的数据实现模型训练。联邦学习用于解决“数据孤岛”问题，核心思想是“数据不动模型动，数据可用不可见”。传统机器学习中，数据需集中在一起进行模型训练，这样会暴露个人隐私，且数据共享也面临信任问题。联邦学习中，数据被分散在多个地方，每个地方的数据在本地进行处理形成本地模型，本地模型通过联邦学习算法进行汇聚和更新，最终得到一个全局模型。这样既保护了隐私，同时也避免了数据共享的信任问题。
