总结
这一周高强度阅读把书都读完了，但是没看代码，后果是有点记不住，等有需要时再去看吧。
这周看了大模型内容比较多，主要是为了快点看完相关内容找ZD哥确定毕设方向，早点开始，做的好一点。
周五下午找了ZD哥确定方向，看完方向人有点蒙，可能是大模型看得多，安全那方面看得少，导致我不知道这个方向在干什么，于是开始沉思，思考了半天感觉确实不会，找gpt老师询问，没有得到结果，故有些惆怅，周日又坐在实验室上了一天的软件工程实训，还好马上就结束了，太烦了。今天是周一，先把上周周报做了
我又重新换了问法，问了gpt老师，这次得到了满意的结果，找到了几篇论文，这周就读这几篇。
感觉这才是周报，之前的都是书的摘抄。
阅读
LLM预训练数据准备
transformer模型架构（不知道是不是我本，这个我从不同的地方看了听了好多遍，现在才刚有点感觉）
Instruction Tuning
提示学习（实在不行，没有研究天赋就去干点轻松的(bushi)）
解码与部署
后面就是补了两篇差分隐私的文献，读完感觉对要研究的方向还是不清楚，故又找了几篇：
计划
-
“Secure and Private Machine Learning: A Survey”
- 这篇论文综述了在机器学习中实现安全和隐私保护的各种方法，包括使用同态加密和安全多方计算的技术。
-
“Privacy-Preserving Deep Learning via Additively Homomorphic Encryption”
- 该论文研究了通过可加同态加密实现隐私保护的深度学习推理，探讨了如何在保留数据隐私的同时利用深度学习模型进行推理。
-
“Federated Learning with Encrypted Data”
- 这篇论文介绍了在联邦学习框架中使用加密数据的方案，虽然主要聚焦于模型训练，但也讨论了如何在推理阶段保护数据隐私。
-
“Secure Inference with Deep Learning Models”
- 该研究探讨了如何在不暴露数据的情况下，安全地使用深度学习模型进行推理，涉及多种加密和隐私保护技术。
-
“Homomorphic Encryption for Privacy-Preserving Machine Learning”
- 本文讨论了同态加密在隐私保护机器学习中的应用，特别是在数据持有方希望使用外部模型进行推理的情况下。
-
“Secure and Private Inference of Deep Learning Models”
- 这篇论文提出了一种框架，用于在保护隐私的情况下安全地进行深度学习模型的推理，涵盖了多个隐私保护技术。
-
“Privacy-Preserving Machine Learning: A Practical Approach”
- 本文讨论了一种实用的方法，通过使用加密技术保护数据隐私，同时实现机器学习模型的推理。
-
“Secure Outsourced Computation in Machine Learning”
- 这篇论文探讨了如何将机器学习任务外包给持有模型的方，同时保证数据的隐私不被泄露。
-
“Differentially Private Inference in Machine Learning”
- 本文介绍了如何在机器学习模型推理过程中实现差分隐私，保证输出结果不泄露输入数据的信息。
-
“Towards Secure and Private Machine Learning: A Survey”
- 这篇综述论文涵盖了各种保护数据隐私的技术，包括同态加密和安全多方计算在推理中的应用。
-
“Federated Learning with Encrypted Data for Privacy-Preserving Machine Learning”
- 该研究探讨了在联邦学习框架下如何处理加密数据，适用于在不暴露数据的情况下进行模型推理。
-
“Secure and Private Model Inference: A Survey”
- 本文回顾了与安全和隐私相关的模型推理方法，强调在使用外部模型时的隐私保护需求。