- 博客(74)
- 收藏
- 关注
RSS订阅原创 PCEvolve: Private Contrastive Evolution for Synthetic Dataset Generation viaFew-Shot Private Data a
对比过滤器 ($g$) 最关键：它是性能的基石。如果去掉 $g$（只用 $h$），准确率会大幅下降（例如在 Came17 上下降了近 10%）。即使单独使用 $g$，效果也比完全没有好。相似度校准器 ($h$) 锦上添花经过校准 ($h \circ g$)：效果最好（PCEvolve 完整版），比单独用 $g$ 提升显著（例如在 COVIDx 上提升了 7.45%）。未经校准 ($h' \circ g$)：如果直接使用原始距离而不进行校准，效果会大打折扣（比完整版低约 8%），证明了引入校准步骤的必要性。
2026-01-06 17:16:14
1042
原创 langsmith和langextract
的核心任务是信息抽取（Information Extraction, IE）。它致力于将临床笔记、报告、小说等非结构化文本，转换为便于机器处理的结构化数据（如 JSON/JSONL）。LLM 容易“编造”内容。LangExtract 强调（溯源），即每一个提取出的实体都能对应到原文的具体位置。解决了“大海捞针”问题。通过分块（Chunking）、并行处理和多轮扫描，支持处理整本书或长篇报告。利用 Few-shot（少样本学习）和受控生成（特别是配合 Gemini 时），强制输出符合预定义的 Schema。
2026-01-03 22:15:51
1269
原创 使用SPEC-KIT
传统软件开发中，“代码为王”，规格说明书（Specs）往往只是开发的脚手架，写完代码就丢弃了。Spec Kit 颠覆了这一点：规格说明书不再是文档，而是可执行的蓝图。先定义“做什么”（What）和“为什么”（Why），再由 AI 处理“怎么做”（How）。不再一次性通过 Prompt 生成代码，而是通过多个步骤（原则 -> 规格 -> 计划 -> 任务 -> 实现）逐步细化。创建项目的“宪法”（Constitution）。这是项目的治理原则，定义了代码质量标准、测试规范、UI 一致性要求等。
2026-01-03 13:36:00
2696
原创 langchain实现agent skill
这也是为什么它在使用体验上更接近“一个很聪明、但被不断切换工作模式的助理”，而不是一个 Agent 群体。Skill 更像是“临时 persona + 能力集”，而不是独立 Agent。上一轮 Skill 的历史，对下一轮 Skill 可见。Skill 被触发时，其内容直接读入当前上下文窗口。律师把判例、资料放进去，再写一个搜索法条的脚本。不想理解 Planner / Executor。从这个角度看，Skill 本质上就是一个。在确定激活后，才注入完整 policy。称为“丐版 RAG”，其实非常贴切——
2026-01-03 00:16:13
1647
原创 Windows中使用claude code 进行 Agent Skills实战
一般下载好claude code cli 之后，模型配置文件settings.json，会在这这个文件夹下C:\Users\Administrator\.claude然后去minimax的管网中申请好api key"env": {"ANTHROPIC_AUTH_TOKEN": "自己的api key",模型更换完成1. 核心定义与设计理念的本质是由指令、脚本和资源组成的组织化文件夹。它旨在将通用的智能体（如 Claude）转化为能够胜任特定领域（如 PDF 编辑、复杂代码重构）的“专家”。•。
2026-01-03 00:08:53
2033
原创 MCP与SKILLS
如果只有MCP，那么每次都需要自己手动使用context7提供的两个工具来获取最新文档，而如果写好skill文档，那么就可以自动执行获取你需要的最新文档的重复性任务。
2026-01-02 20:40:55
1830
原创 Agent和workflow
Anthropic 官方定义，可理解为：workflow就是按照剧本在演戏，大模型只是其中的小角色；Agent是一个导演，体现出 “自主”，可以把Agent当成一个人来看，只不过现阶段的Agent的自主，可能是有局限的自主1. 核心定义•工作流 (Workflow)：指的是通过预定义的代码路径来编排大语言模型（LLM）和工具的系统。它是一系列为了实现特定目标（如解决客户问题或生成报告）而必须执行的确定性步骤序列。•Agent (智能体)：指的是由LLM 动态地引导其自身流程和工具调用的系统。
2026-01-02 19:35:52
1114
原创 mac系统安装neo4j图数据库
进入 neo4j-community-5.25.1文件夹中的bin文件夹中，为neo4j 和 neo4j-admin 赋予权限。第一步：解压 neo4j-community-5.25.1-unix.tar.gz。解压成功后，就会出现 neo4j-community-5.25.1 文件夹。下载好 jdk-17-macos-x64-bin.dmg。社区版只能创建一个数据库，默认数据库名称为 neo4j。使用cypher 语句创建一个节点。crtl + O 写入。crtl + X 退出。
2025-11-21 22:58:20
502
原创 DeepSeek-OCR
一、研究目的与核心思想 DeepSeek-OCR 是一次关于 “通过光学二维映射（optical 2D mapping）压缩长上下文” 的初步探索。它的目标是让模型能高效地从高分辨率输入中提取关键信息，把大量文本压缩成更少的视觉 token，从而实现高效的 OCR（光学字符识别）与长文本理解。二、模型结构模型包含两个主要组件： DeepEncoder：核心引擎，负责在高分辨率输入下保持低激活量（即计算量低），同时实现高压缩率，把大规模文字信息压缩为少量视觉 token。
2025-10-31 13:23:33
1410
原创 A New One-Shot Federated Learning Framework forMedical Imaging Classification with Feature-GuidedR
这段摘要主要介绍了一种改进的**单轮联邦学习（One-Shot Federated Learning, OSFL）**框架，用于医疗多中心场景中的隐私保护与高效训练。传统 OSFL 虽通信成本低，但在医疗影像领域存在两个主要问题：（1）基于生成模型的方法训练效率低且易造成隐私泄露；（2）在非独立同分布（non-IID）数据下难以在一轮聚合内收敛。为此，作者提出了新的与。：在客户端生成（非像素级），以加快生成建模速度并减少隐私风险。：在模型聚合时，让全局学生模型同时模仿客户端教师模型的。
2025-10-27 20:15:13
1177
原创 Synthesizing and Adapting Error Correction Data for Mobile LargeLanguage Model Applications
提高LLM在移动端文字输入时的纠错性能。：作者利用LLM生成高质量的“错误-纠正”样本对，用于模型评估和改进。通过引入“纠错领域知识”的提示词(prompting)，让LLM生成更可靠、可扩展的合成数据。为了让这些合成数据更符合移动应用的真实分布，研究者设计了一个“重加权模型（reweighting model）”，根据LLM在离线评测中的表现和隐私安全的设备端小模型分数，预测线上A/B测试指标，从而学习合适的样本权重。
2025-10-26 15:50:07
593
原创 Federated Learning for Diffusion Models
该部分指出现有研究虽在生成式联邦学习上取得进展，但仍存在三大不足：多数方法未能充分利用扩散模型的生成潜力；生成数据质量在非IID场景下下降显著；缺乏理论收敛分析。因此，本文提出。
2025-10-26 15:20:56
757
原创 One-Shot Federated Learning with Classifier-FreeDiffusion Models
虽然FMs在减少数据异质性、降低通信开销方面具有巨大潜力，但目前它们在联邦学习中的应用仍然。
2025-10-26 12:41:15
1158
原创 One-Shot Heterogeneous Federated Learning withLocal Model-Guided Diffusion Models
提出一种无需客户端部署基础模型的 OSFL 方法，大幅提高其实用性；利用客户端模型指导扩散模型生成高质量合成数据，通过分类损失和BN损失捕捉类别与上下文特征；理论上证明：在客户端模型的辅助下，服务器端扩散模型的分布与真实客户端分布之间的。
2025-10-26 11:03:07
1049
原创 FEDBIP: HETEROGENEOUS ONE-SHOT FEDERATEDLEARNING WITH PERSONALIZED LATENT DIFFUSIONMODELS
🌐 研究背景是一种新的去中心化机器学习范式，只需要客户端上传一次数据或模型。这种方式大大减少了通信开销，并在一定程度上降低了隐私泄露的风险。然而，由于客户端之间的数据分布不同（数据异质性）以及每个客户端数据量有限，OSFL 在现实场景中效果往往不佳。🎨 问题与动机最近在图像生成方面表现突出，通过大规模预训练能生成高质量图像，因此有潜力用来缓解 OSFL 中的数据不足问题。但问题在于：直接将预训练的 LDM 用于 OSFL 会导致。
2025-10-26 10:25:15
803
原创 MLLM-LLaVA-FL: Multimodal Large Language Model Assisted FederatedLearning
如何在不泄露隐私的前提下缓解数据异质性？如何避免让资源受限的客户端承担过高计算负荷？
2025-10-25 23:27:35
881
原创 Federated Learning-Empowered AI-Generated Content in Wireless Networks
AIGC 能提升内容创作的效率、多样性和个性化，但目前的 AIGC 系统通常依赖集中式训练（包括预训练、微调和推理），在无线网络环境下存在隐私和效率方面的限制。
2025-10-25 22:30:53
728
原创 When NOMA Meets AIGC: Enhanced WirelessFederated Learning
各阶段时间、数据量、模型大小、迭代次数等。
2025-10-25 21:50:43
816
原创 FedTabDiff: Federated Learning of Diffusion Probabilistic Modelsfor Synthetic Mixed-Type Tabular Da
FedTabDiff 基于。
2025-10-25 20:28:37
1146
原创 联邦学习论文分享：IMFL-AIGC: Incentive Mechanism Design forFederated Learning Empowered by ArtificialIntell
一种让多个客户端（如手机、边缘设备等）在的情况下的机器学习框架。各客户端的数据质量差异较大，可能导致全局模型性能下降。利用生成额外的合成数据（synthetic data），用来弥补数据不足或质量差的问题，从而提高 FL 模型性能。尽管 AIGC 可以增强联邦学习的性能，但也带来了本地模型计算成本；合成数据生成成本（AIGC 本身需要计算资源）；数据评估和通信开销。因此，客户端若没有足够的，往往。这就引出了本文的核心问题：对 AIGC 生成的合成样本进行质量打分；
2025-10-14 17:57:39
911
原创 联邦学习论文分享：Securing Federated Diffusion Model With DynamicQuantization for Generative AI Services in
是近年来在图像、音频、视频和3D内容生成方面表现极为出色的生成模型（如Stable Diffusion等）。它们属于**人工智能生成内容（AIGC）物联网（IoT）智能物联网（AIoT）**发展的关键一步。在AIoT环境中，设备数量庞大、分布分散，因此需要通过GDMs。：如后门攻击（backdoor attacks）、木马攻击（trojan attacks）等触发式攻击可能破坏模型安全。：AIoT设备计算与通信资源有限，模型训练通信开销大，能量消耗高。作者提出了一个，命名为：抵御触发型攻击；
2025-10-14 09:59:58
709
原创 论文分享：AIGC-assisted Federated Learning for VehicularEdge Intelligence: Vehicle Selection, ResourceA
研究背景 在智能车联网中，各车辆会产生大量本地数据，但直接上传到云端会带来隐私与安全问题。联邦学习（FL） 允许各车辆在本地训练模型，仅共享模型参数，从而保护数据隐私。然而，车辆移动性强、无线信道不稳定、不同车辆的数据分布差异（即数据异质性）会影响FL的性能。研究创新 为解决车辆间数据分布不一致的问题，作者引入 AIGC（AI生成内容），即利用AI生成合成数据，以增强模型的训练效果。提出了一个新框架 GenFV，将AIGC与FL结合，用于提升车载智能系统的学习能力与鲁棒性。
2025-10-13 22:27:31
1076
原创 transformer代码
先给出可以运行的transformer代码，debug一遍，可以更好的了解transformer的架构，至于transformer的详解，还有后续。
2025-10-12 16:07:34
523
原创 联邦学习论文分享：Data-centric Federated Graph Learning with Large Language Models
一个。
2025-10-12 16:07:15
1178
原创 联邦学习论文分享：AIGC-assisted Federated Learning for EdgeIntelligence: Architecture Design, ResearchChall
一、研究背景联邦学习（FL） 是一种分布式机器学习框架，允许多个终端设备在不共享原始数据的前提下协同训练模型，从而在保证隐私和安全的同时充分利用分布式数据资源。然而，FL 的一个核心难题是 数据异质性（data heterogeneity / Non-IID 分布）。不同客户端的数据分布差异大，导致全局模型难以收敛或性能下降。二、论文提出的解决思路作者提出使用 AIGC（Artificial Intelligence Generated Content） 技术来缓解数据异质性问题。AIGC 是一种人工智能生
2025-10-12 15:17:26
1117
原创 联邦学习论文分享：FedDEO: Description-Enhanced One-Shot Federated Learningwith Diffusion Models
1. 方法结构概述作者首先说明了FedDEO 方法的总体组成：客户端描述训练（Client Description Training）服务器图像生成（Server Image Generation）之后还包含一个理论分析部分，用于解释生成数据分布与客户端真实数据分布之间的关系。论文在 Figure 1 展示了 FedDEO 的总体框架，并在补充材料中提供了伪代码（pseudocode）。
2025-10-10 16:05:29
1094
原创 联邦学习论文分享：Federated learning and conditional diffusion model for privacy-preservingshort-term voltag
机制 M 满足 (ε,δ)(ε,δ)(ε,δ)-DP，如果对于仅相差一条记录的数据集 D 和 D’，其输出概率满足公式 (6)。
2025-10-01 10:50:40
1496
原创 联邦学习论文分享：Overcoming data-sharing challenges in centralbanking: federated learning of diffusion mode
现实中生成高质量的合成表格数据非常困难，尤其是涉及金融、医疗等敏感领域时，必须兼顾数据隐私。表格数据本身具有复杂性：既包含不同类型的属性（数值型、类别型等），又存在隐含的关系结构。作者提出，一种新的，用于在不集中原始数据的情况下生成高保真合成表格数据。基于，并将其扩展到联邦学习场景。，多个实体可协作训练生成模型，同时保持数据本地化和隐私。，确保模型在多方之间有效融合。在真实的金融和医疗数据集上进行了实验。结果显示 FedTabDiff 能生成在上都表现良好的合成数据。
2025-09-30 22:14:19
1253
原创 联邦学习论文分享：Exploring One-Shot Semi-supervised Federated Learningwith Pre-trained Diffusion Models
*引入扩散模型（Diffusion Models, DM）**到半监督联邦学习。
2025-09-29 23:29:51
1428
原创 联邦学习论文分享：VQ-FedDiff: Federated Learning Algorithm ofDiffusion Models with Client-SpecificVector-Qu
提出。
2025-09-24 21:34:23
944
原创 【无标题】联邦学习论文分享：Stable Diffusion-based Data Augmentation for FederatedLearning with Non-IID Data
这段话的作用是：给出扩散模型的。
2025-09-23 16:46:24
1533
原创 联邦学习论文分享：Federated Learning with GAN-based Data Synthesis for Non-IID Clients
每个客户端预训练本地的。
2025-09-22 21:26:48
1428
1
原创 联邦学习论文分享：Diffusion Model-Based Data Synthesis AidedFederated Semi-Supervised Learning
人工标注的标签，比如在图像分类中：一张猫的照片 → 标签是 “cat”一张狗的照片 → 标签是 “dog”
2025-09-21 10:20:44
1443
原创 多模态知识图谱
回顾知识图谱（KG）的定义传统KG是一个有向图，由实体、关系、属性及其对应的三元组组成。三元组分为关系三元组 (s, p, o) 和属性三元组 (s, p, o)。引入多模态知识图谱（MMKG）MMKG是在传统KG的基础上，把部分符号知识与非文本模态（如图像、声音、视频）关联起来。举例：一个关系三元组 (s, p, o) 可以配上一张描述关系的图像。两种主要的MMKG表示方式A-MMKG。
2025-09-20 21:56:06
1761
原创 联邦学习论文分享：An Upload-Efficient Scheme for Transferring Knowledge From a Server-SidePre-trained Genera
HtFL 的目标：保持。
2025-09-20 20:54:45
1510
原创 联邦学习论文分享：FedGIMP
FedGIMP 的优势现有基于条件模型的方法（如潜在空间对齐、分裂网络）容易受到成像算子变化（加速率、采样密度差异）的影响。FedGIMP将成像算子和图像先验解耦，因此在多站点数据存在异质性时表现更稳健。实验表明 FedGIMP 在不同加速率、采样密度和跨站点情况下都优于现有的联邦条件模型。这样提升了多站点协作的灵活性，即使协议和设备不一致也能合作。计算成本对比条件模型训练时需要针对不同加速率/采样密度反复训练，而 FedGIMP只需训练一次通用的 MRI 先验，训练更简单。
2025-09-17 21:22:11
1044
原创 联邦学习论文分享：Federated learning for generating synthetic data: a scoping review
Discussion 部分研究现状共纳入 69 篇论文，其中 21 篇涉及联邦合成 (federated synthesis)。FL 自 2016 年提出后快速发展，2022 年相关文献显著增加。图像数据是主要研究对象，表格数据研究仍然稀缺。方法特点深度学习方法（尤其是 GAN）最常见，原因包括：GAN 与 FL 在近几年同时流行；神经网络权重/参数易于共享与聚合，适合 FL；GAN 架构灵活，可探索不同配置。表格数据合成难度大，NN 需要适配，导致研究不足。隐私与风险问题很多研究。
2025-09-17 14:05:56
1132
原创 联邦学习论文分享：DPD-fVAE
研究背景传统 FL 大多用于训练分类模型，但由于数据敏感性，这些模型及其训练过程仍然存在隐私风险。近年来有研究提出：与其直接训练分类器，不如训练一个数据生成模型，可以合成一个“新的、不受隐私限制”的数据集，方便后续研究和模型评估。提出的方法：DPD-fVAE一种带差分隐私保护的联邦变分自编码器（fVAE）。关键创新点：只在联邦学习中同步 解码器（Decoder），这样能减少每一轮训练的隐私开销，从而提升生成数据的质量。隐私保护在训练过程中引入差分隐私机制，作为额外的保护层，进一步降低真实数据泄露风险。实验与
2025-09-15 21:50:00
1482
原创 联邦学习论文分享：DIFFERENTIALLY PRIVATE SYNTHETIC DATAVIA FOUNDATION MODEL APIS 1: IMAGES
1. 核心问题定义：DP Wasserstein Approximation (DPWA)一个私有数据集，包含 Npriv 个样本（例如图片）。一个距离函数d(⋅,⋅)用于衡量样本之间的差异。一个 p≥1指定 Wasserstein 距离的阶数。设计一个满足 (ϵ,δ)-差分隐私（DP）的算法 M，输出一个合成数据集Ssyn={xi′}，使得它与私有数据集的 Wasserstein 距离 Wp(Spriv,Ssyn) 尽可能小。衡量两个数据集的分布差异。
2025-09-15 15:31:25
1312
原创 简单了解一下GraphRAG
当我们将一段文本信息以句子分割后，存入到向量数据库中。用户提问“老王喜欢吃什么”，这个问题会与向量数据库中的许多句子关联性比较强，能返回准确且具体的信息。但是，若是问题换成“出现了几次西瓜”，西瓜是一个比较具体的名词/物品，它容易出现在很多句子中，但是在出现的句子中占比又不是很大。
2025-09-14 00:01:34
1378
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人