xgboost 学习记录

题目（Title），摘要（Abstract），前言（Introduction），方法（Methods），结果（Results），讨论（Discussion），致谢（Acknowledgments）（可选），参考文献（References），附录（Appendix）

论文流程

• Title
  

  1. 尽量的短并且没有歧义，能够充分描述研究，包含描述研究的关键词，如果可能，加入研究的关键结果
  2. 题目尽量的早写，但是通常会在文章最终内容确定之后再进行修改

• Abstract
  
  

  1. 研究背景(1-2句话)
  2. 问题（一句话）：一般以However开头
  3. 文章主旨（一句话）：一般以Here/Herein开头，一句话概括文章的主要内容。如Here, we show/report/demonstrate/present/introduce et al. 注意使用第一人称we。
  4. 实验方法及主要结论(各用一句话)
  5. 可以使用主动语态，但是主要使用被动语态

• Index Terms

• Introduction
  
  

  1. 扩展说明一下研究的任务定义以及研究该任务的意义
  2. 目前的挑战是什么，举例说明（现存工作没有解决的问题）
  3. 阐述现存工作，有什么问题
     a) 现在的工作是怎么做的，可以分为几大类，每一类有若干典型工作，阐述
     b) 他们存在的缺点，任务挑战他们还没有很好解决
  4. 为了解决问题，提出了什么模型，包括几部分，可以展开介绍每个部分的功能和效果，用到的技术
  5. 本文的贡献：一般3点，注意重点突出模块的作用和效果
  6. 可以使用主动语态，第一人称不要过度使用就行
  7. 研究内容的时候，可以用过去时，也可以用一般现在时
  8. 写完前言之后，看它是否回答了下面问题：文章研究了什么？为什么这是个重要的问题？在我做研究之前我知道什么？这篇文章会如何使当前的研究前进？
  9. 在写的时候，倒着去写引言部分，从具体的研究目的开始，再确定研究背景是什么，然后再到更一般的宏观信息

• Preliminaries

• Related work
  1. 分成 2-3 部分说明
  2. 每一部分的相关工作可以按照类别展开说明
  3. 再具体每个工作的细节
  4. 最后说一下之前的工作和我们的区别，我们的优势在哪儿

• 方案
  
  
  1. 整体一段介绍模型的总体结构图
  2. 分段阐述每个模块（为了达到什么目的，用什么方法，怎么做）
  a) 先说目的和作用
  b) 再说怎么个操作和过程

• Evaluation
  

  1. 实验结果（分析为主，效果的提升不要重点说，为什么有提升，为什么效果不好，重点写）
     a) 主实验——表格双栏
     b) ablation 实验
     c) 分析实验，解释一下模型内部的机理或者为啥奏效
     d) 可视化实验
     e) 参数实验

• conclusion
  
  

  1. 我们提出了什么（几个模块、模块的作用，达到的效果）
  2. 实验数据（实验结果说明了什么，直接给结论，不用再写分析之类的）
  3. 未来的工作
  4. 在写草稿的时候，在图表的下方标注该图表给出的一到两个关键的结果

• Appendeix

注意事项

1.每天在时间表中安排1到2个小时 的时间块进行写作，无论什么原因都要完成。
2.挑选自己最高效 的时间进行写作，作者提出对大多数人来说，早晨效率更高

准备工作

1. 列中心思想
   
2. 写 Outline
   
3. 初稿
   

正值师兄毕业，给我传承了一个双卡 2080 ti 计算环境，也是第一次重新配置服务器，浅浅记录一下

三人裁判法记录

个人制裁技术记录

裁判法记录

第一次认真写一篇论文评审，做一次小记录

Summary Of The Paper:

这篇文章提出了一个 Lipschitz 约束的 VAE 变体用于实现差分隐私保证的数据合成方案。现有的主流数据合成方案是基于 DP-SGD 以及 PATE 框架结合 GAN、VAE、Diffusion Model等生成模型。本文章主要贡献点是针对常规 DP 添加噪声影响模型精度以及隐私预算有限问题，提出利用Lipschitz 约束实现独立于训练样本数量的差分隐私保证方法。

Main Review:

• Strength of the paper:

1. 证明过程清晰
2. 针对 VAE的无噪声 DP 有一定创新性,Lipschitz 结合 DP工作不是一个很新的概念，应用到 VAE 中目前我个人没见过

• Weakness of the paper:

1. 实验完备性不足：
   a) 数据质量没有实验数据：对于数据合成方案上，文章中强调不仅隐私保护效果更好，且数据质量更佳。在数据质量上并没有实验支撑，例如下游任务的精度，原数据集相似度等指标。
   b) 对比方案不足：没有对比例如 DP-GAN、PATE-GAN、G-PATE、DataLens以及DP-Diffusion model等一系列其他数据合成主流方案
   c) 数据集支撑不足：仅仅只对 mnist 数据集进行了实验，应该多扩展一些常见数据集
2. 文中描述方案隐私保护效果对比 VAE-DPSGD，然而由实验图中可知，对于 MIA（成员推理攻击） 的保护效果并没有 VAE-DPSGD 好，且没有数据质量的实验数据前提下，方案优势并不明显。
3. 所选 Lipschitz 常数与隐私保证之间的联系需要量化
4. 文中写作错误

整理一下赵佬的相关工作

数据蒸馏框架图

现有国重项目对于知识图谱进行了解学习