扩散模型(DiffusionModel)最新综述+GitHub论文汇总-ASurveyOnGenerativeDiffusion本综述来自香港中文大学Pheng-AnnHeng、西湖大学李子青实验室和浙江大学陈广勇团队，对现有的扩散生成模型进行了全面的回顾。本文首先提出了diffusionmodel改进算法的细化分类与深度解析，同时对diffusionmodel的应用进行了系统的回顾，最后率先汇总领域内benchmarks。文章链接：https://arxiv.org/abs/2209.02646深度学习在生成任务中显示出巨大的潜力。生成模型是类可以根据某些隐含的参数随机生成观察结果的模型。最
扩散模型(DiffusionModel)最新综述+GitHub论文汇总-ASurveyOnGenerativeDiffusion本综述来自香港中文大学Pheng-AnnHeng、西湖大学李子青实验室和浙江大学陈广勇团队，对现有的扩散生成模型进行了全面的回顾。本文首先提出了diffusionmodel改进算法的细化分类与深度解析，同时对diffusionmodel的应用进行了系统的回顾，最后率先汇总领域内benchmarks。文章链接：https://arxiv.org/abs/2209.02646深度学习在生成任务中显示出巨大的潜力。生成模型是类可以根据某些隐含的参数随机生成观察结果的模型。最
原文链接：https://arxiv.org/pdf/2007.08199.pdfgithub链接：GitHub-songhwanjun/Awesome-Noisy-Labels:ASurvey（本文仅做阅读笔记之用，如需了解细节可自行查看原文，翻译不周之处，敬请指正）1.Introduction据统计真实世界的数据集中存在的标注噪声范围在8%到38.5%。深度神经网络（DNN）因为具有很强的拟合能力，所以很容易对噪声标签过拟合。正则化技术（如数据增强，权重衰减，dropout，批次正则化（BN）等）虽然能缓解过拟合问题，但是光靠正则化并不能完全克服过拟合。如fig.1就形象地说明了这个问题：
原文链接：https://arxiv.org/pdf/2007.08199.pdfgithub链接：GitHub-songhwanjun/Awesome-Noisy-Labels:ASurvey（本文仅做阅读笔记之用，如需了解细节可自行查看原文，翻译不周之处，敬请指正）1.Introduction据统计真实世界的数据集中存在的标注噪声范围在8%到38.5%。深度神经网络（DNN）因为具有很强的拟合能力，所以很容易对噪声标签过拟合。正则化技术（如数据增强，权重衰减，dropout，批次正则化（BN）等）虽然能缓解过拟合问题，但是光靠正则化并不能完全克服过拟合。如fig.1就形象地说明了这个问题：
Abstract1、提供了协作学习的系统概述2、简要介绍了完整性和隐私攻击3、详细介绍了现有的完整性和隐私攻击及其防御Introduction举例：医学图像分类、移动键盘预测协作学习：允许两个或多个参与者协作训练共享的全局DL模型，同时他们的训练数据集保留在本地。每个参与者用自己的训练数据训练共享模型，并与其它参与者交换和更新模型参数。模型完整性威胁：只有一个攻击者也可以破坏模型完整性隐私性：尽管不共享原始训练样本，但共享的更新是由样本生成的，间接泄露了训练数据集的信息。在训练过程中，可以从共享的梯度中捕获成员关系和无意的特征泄露。甚至可以从相应的更新中重构训练样本。为了实现拜占庭容错协作学习
Abstract1、提供了协作学习的系统概述2、简要介绍了完整性和隐私攻击3、详细介绍了现有的完整性和隐私攻击及其防御Introduction举例：医学图像分类、移动键盘预测协作学习：允许两个或多个参与者协作训练共享的全局DL模型，同时他们的训练数据集保留在本地。每个参与者用自己的训练数据训练共享模型，并与其它参与者交换和更新模型参数。模型完整性威胁：只有一个攻击者也可以破坏模型完整性隐私性：尽管不共享原始训练样本，但共享的更新是由样本生成的，间接泄露了训练数据集的信息。在训练过程中，可以从共享的梯度中捕获成员关系和无意的特征泄露。甚至可以从相应的更新中重构训练样本。为了实现拜占庭容错协作学习
!https://zhuanlan.zhihu.com/p/613458826运行时软件补丁（热更新/动态更新？）:分类、调查和未来方向本文来自eunomia-bpf社区，我们正在探索eBPF和WebAssembly相互结合的工具链和运行时:https://github.com/eunomia-bpf/wasm-bpf社区关注于简化eBPF程序的编写、分发和动态加载流程，以及探索eBPF和Wasm相结合的工具链、运行时和运用场景等技术。https://arxiv.org/pdf/2203.12132.pdf运行时软件修补:分类、调查和未来方向运行时软件补丁旨在最小化或消除服务停机时间、用户中断
!https://zhuanlan.zhihu.com/p/613458826运行时软件补丁（热更新/动态更新？）:分类、调查和未来方向本文来自eunomia-bpf社区，我们正在探索eBPF和WebAssembly相互结合的工具链和运行时:https://github.com/eunomia-bpf/wasm-bpf社区关注于简化eBPF程序的编写、分发和动态加载流程，以及探索eBPF和Wasm相结合的工具链、运行时和运用场景等技术。https://arxiv.org/pdf/2203.12132.pdf运行时软件修补:分类、调查和未来方向运行时软件补丁旨在最小化或消除服务停机时间、用户中断
!https://zhuanlan.zhihu.com/p/613458826运行时软件补丁（热更新/动态更新？）:分类、调查和未来方向本文来自eunomia-bpf社区，我们正在探索eBPF和WebAssembly相互结合的工具链和运行时:https://github.com/eunomia-bpf/wasm-bpf社区关注于简化eBPF程序的编写、分发和动态加载流程，以及探索eBPF和Wasm相结合的工具链、运行时和运用场景等技术。https://arxiv.org/pdf/2203.12132.pdf运行时软件修补:分类、调查和未来方向运行时软件补丁旨在最小化或消除服务停机时间、用户中断
!https://zhuanlan.zhihu.com/p/613458826运行时软件补丁（热更新/动态更新？）:分类、调查和未来方向本文来自eunomia-bpf社区，我们正在探索eBPF和WebAssembly相互结合的工具链和运行时:https://github.com/eunomia-bpf/wasm-bpf社区关注于简化eBPF程序的编写、分发和动态加载流程，以及探索eBPF和Wasm相结合的工具链、运行时和运用场景等技术。https://arxiv.org/pdf/2203.12132.pdf运行时软件修补:分类、调查和未来方向运行时软件补丁旨在最小化或消除服务停机时间、用户中断
