TranAD架构模型构建： ={𝑥1,...,𝑥𝑇},表示一个大小为T的带有时间戳的数据点序列，其中，𝑥𝑡满足特定的时间戳𝑡和𝑥t∈R𝑚，单变量设置是其中𝑚=1的特殊情况。异常检测：给定一个训练输入时间序列，对于长度为的任意时间的测试时间序列，并且与训练序列的模态相同的作为训练序列，我们需要预测Y={𝑦1，.，𝑦}，其中𝑦t ∈{0，1}表示测试集下第t个时间戳的数据点是否异常(1表示异常数据点)。异常诊断:基于上述训练和测试时间序列，我们需要预测Y={𝑦1，.，𝑦} 数据预处理：时序数据分析：long-termtrends、locality(short-termtrends)对数据进行了标

近期开始阅读cv领域的一些经典论文，本文整理计算机视觉的奠基之作——Alexnet论文原文：ImageNetClassificationwithDeepConvolutionalNeuralNetworks（有需要论文原文的可以私信联系我）本文的阅读方法是基于李沐老师的B站讲解视频，需要细致去看的小伙伴可以去搜索，链接如下：9年后重读深度学习奠基作之一：AlexNet【论文精读】_哔哩哔哩_bilibili本文整理用于之后自己能够更快的回忆起这篇论文，所以有些地方记录的可能没那么严谨，有问题的地方欢迎各位指出和讨论，我及时修改，谢谢各位！如果该论文笔记对你有所帮助，希望可以点个赞关注一下，之后

近期开始阅读cv领域的一些经典论文，本文整理计算机视觉的奠基之作——Alexnet论文原文：ImageNetClassificationwithDeepConvolutionalNeuralNetworks（有需要论文原文的可以私信联系我）本文的阅读方法是基于李沐老师的B站讲解视频，需要细致去看的小伙伴可以去搜索，链接如下：9年后重读深度学习奠基作之一：AlexNet【论文精读】_哔哩哔哩_bilibili本文整理用于之后自己能够更快的回忆起这篇论文，所以有些地方记录的可能没那么严谨，有问题的地方欢迎各位指出和讨论，我及时修改，谢谢各位！如果该论文笔记对你有所帮助，希望可以点个赞关注一下，之后

 摘要许多公司为用户提供神经网络预测服务，应用范围广泛。然而，目前的预测系统会损害一方的隐私:要么用户必须将敏感输入发送给服务提供商进行分类，要么服务提供商必须将其专有的神经网络存储在用户的设备上。前者损害了用户的个人隐私，而后者暴露了服务提供商的专有模式。我们设计、实现并评估了DELPHI，这是一个安全的预测系统，允许双方在不泄露任何一方数据的情况下执行神经网络推理。DELPHI通过同时联合设计密码学和机器学习来解决这个问题。我们首先设计了一种混合加密协议，在通信和计算成本上比之前的工作有所提高。其次，我们开发了一个规划器，自动生成神经网络架构配置，导航我们的混合协议的性能精度权衡。与之前最

 摘要许多公司为用户提供神经网络预测服务，应用范围广泛。然而，目前的预测系统会损害一方的隐私:要么用户必须将敏感输入发送给服务提供商进行分类，要么服务提供商必须将其专有的神经网络存储在用户的设备上。前者损害了用户的个人隐私，而后者暴露了服务提供商的专有模式。我们设计、实现并评估了DELPHI，这是一个安全的预测系统，允许双方在不泄露任何一方数据的情况下执行神经网络推理。DELPHI通过同时联合设计密码学和机器学习来解决这个问题。我们首先设计了一种混合加密协议，在通信和计算成本上比之前的工作有所提高。其次，我们开发了一个规划器，自动生成神经网络架构配置，导航我们的混合协议的性能精度权衡。与之前最

Institute：UniversityofIllinoisatUrbana-ChampaignAuthor：JiahuiYu,LinjieYang,NingXu,JianchaoYang,ThomasHuangGitHub：https://github.com/JiahuiYu/slimmable_networksIntroduction　　(1)Differentdeviceshavedrasticallydifferentruntimesforthesameneuralnetwork.(相同网络在不同设备的运行时间不同)　　(2)Theavailabilityofhardwarereso

Institute：UniversityofIllinoisatUrbana-ChampaignAuthor：JiahuiYu,LinjieYang,NingXu,JianchaoYang,ThomasHuangGitHub：https://github.com/JiahuiYu/slimmable_networksIntroduction　　(1)Differentdeviceshavedrasticallydifferentruntimesforthesameneuralnetwork.(相同网络在不同设备的运行时间不同)　　(2)Theavailabilityofhardwarereso

本文使用深度神经网络完成计算蛋白质设计去预测20种氨基酸概率。Introduction针对特定结构和功能的蛋白质进行工程和设计，不仅加深了对蛋白质序列结构关系的理解，而且在化学、生物学和医学等领域都有广泛的应用。在过去的三十年里，蛋白质设计取得了显著的成功，其中一些设计是由计算方法指导的。最近一些成功的计算蛋白设计的例子包括新折叠，酶设计，疫苗，抗体，新的蛋白质组装，配体结合蛋白和膜蛋白。ResultsNetworksarchitecture,input,andtraining数据集：数据集来源于PDB且具有如下特征：（1）用x射线晶体学确定结构;（2）分辨率优于$$2\rA$$;（3）链长大

本文使用深度神经网络完成计算蛋白质设计去预测20种氨基酸概率。Introduction针对特定结构和功能的蛋白质进行工程和设计，不仅加深了对蛋白质序列结构关系的理解，而且在化学、生物学和医学等领域都有广泛的应用。在过去的三十年里，蛋白质设计取得了显著的成功，其中一些设计是由计算方法指导的。最近一些成功的计算蛋白设计的例子包括新折叠，酶设计，疫苗，抗体，新的蛋白质组装，配体结合蛋白和膜蛋白。ResultsNetworksarchitecture,input,andtraining数据集：数据集来源于PDB且具有如下特征：（1）用x射线晶体学确定结构;（2）分辨率优于$$2\rA$$;（3）链长大

一、摘要学习复杂网络上的连续时间动态对于理解、预测和控制科学和工程中的复杂系统至关重要。然而，由于高维系统结构中的组合复杂性、它们难以捉摸的连续时间非线性动力学以及它们的结构-动力学依赖性，使得这项任务非常具有挑战。为了解决这些挑战，我们提出将常微分方程系统（ODEs）和图神经网络（GNNs）相结合，以数据驱动的范式来学习复杂网络上的连续时间动态变化。我们用GNN来建模微分方程系统。我们并未在前向过程中使用离散数量的神经网络层进行映射，而是在连续时间上数值地整合GNN层，从而捕获图上的连续时间动态。我们的模型可以解释为连续时间GNN模型或图神经ode模型。我们的模型可以用于：连续时间网络动态预