目录1、简介2、曲率视角下的图数据建模与分析华为简介​编辑 曲率背景建模分析  小结3、参考1、简介报告嘉宾：周敏（华为诺亚方舟实验室）报告题目：曲率视角下的图数据建模与分析报告摘要：曲率描述了物体的“弯曲”程度。基于不同空间的建模蕴含了对数据分布的不同假设，“弯曲”的曲率空间（如双曲空间和球形空间）由于具备更强的表征能力受到了广泛的关注。本次的讲座首先会介绍曲率的概念以及不同曲率下的连续空间和网络数据的形态，并进一步介绍曲率在图数据建模与分析中的相关应用与研究。报告人简介： 周敏华为诺亚方舟实验室高级研究员。本科毕业于中国科学技术大学自动化系，博士毕业于新加坡国立大学工业系统工程与管理系。主

现在，大模型也学会“吃一堑，长一智”了。来自香港科技大学和华为诺亚方舟实验室的最新研究发现：相比于一味规避“有毒”数据，以毒攻毒，干脆给大模型喂点错误文本，再让模型剖析、反思出错的原因，反而能够让模型真正理解“错在哪儿了”，进而避免胡说八道。具体而言，研究人员提出了“从错误中学习”的对齐框架，并通过实验证明：让大模型“吃一堑，长一智”，在纠正未对齐的模型方面超越了SFT和RLHF的方法，而且在对已对齐模型进行高级指令攻击的防御方面也具有优势。一起来看详情。从错误中学习的对齐框架现有的大语言模型对齐算法主要归为两大类：有监督的微调（SFT）人类反馈的强化学习（RLHF）SFT方法主要依赖于海量人

复旦大学联合华为诺亚方舟实验室的研究者基于图像扩散模型（LDM）提出了一种迭代式生成高质量视频的方案——VidRD(ReuseandDiffuse)。该方案旨在对生成视频的质量和序列长度上进行突破，实现了高质量、长序列的可控视频生成。有效减少了生成视频帧间的抖动问题，具有较高的研究和实用价值，为当前火热的AIGC社区贡献了一份力量。潜在扩散模型（LDM）是一种基于去噪自编码器（DenoisingAutoencoder）的生成模型，它可以通过逐步去除噪声来从随机初始化的数据生成高质量的样本。但由于在模型训练和推理过程中都存在着计算和内存的限制，一个单独的LDM通常只能生成数量非常有限的视频帧。尽

目前DETR类模型已经成为了目标检测的一个主流范式。但DETR算法模型复杂度高，推理速度低，严重影响了高准确度目标检测模型在端侧设备的部署，加大了学术研究和产业应用之间的鸿沟。来自华为诺亚、华中科技大学的研究者们设计了一种新型的DETR轻量化模型Focus-DETR来解决这个难题。论文地址：https://arxiv.org/abs/2307.12612代码地址-mindspore：https://github.com/linxid/Focus-DETR代码地址-torch：https://github.com/huawei-noah/noah-research/tree/master/Foc