🎵总结
这一周没干啥正经事，周一周二库库读了两天论文，初步了解了一下安全推理的基础知识（就看了一点点），周三图书馆闭馆，晚上上课，所以周三休息一天，周三下午参加了理想汽车AI算法实习生的面试，想找一个这种实习边干活边学习，可惜这并不是啥也不会就能行的，还得学习，沉淀一下。一开始挺紧张的，在脑海里思考了好多遍我该怎么解释，表现自己，结果面试官让我开始自我介绍，他就一只在笑😁（牙很齐很白），不知道他在笑什么，但是看他笑得那么开心我就不紧张了，问了一下transformer为什么要加入位置编码来表示位置信息，LLM微调除了LoRA还有什么，还了解那些大模型，一个也不会，哈哈哈，真不是啥也不会就可以找工作的，不过此行并非失败，而是挺有收获的，面试官一直说，没关系，不会咱就换一个，下去把这个搞清楚就行了，搞得我有点不好意思，在问问题的过程中，面试官还顺带给我解释解释，增长了一些知识，最后我反问到该怎么系统的学习一下才能找到实习（我真是个鬼才🤣，问面试官这问题）
面试官说：建议我先不要着急找面试，用几个月学习一下，把基础的机器学习和深度学习过一遍，代码复现都能看懂，还问了我研究生方向是大模型安全，看看这方面的论文，把基础知识掌握扎实，上Kaggle上参加或者复现两个项目放到简历里，会更加出色。
非常感谢面试官的指导，没有想象中的KPI面试，不会有脸色看，更像是前辈教育后辈如何学习🤩。
周四上午起了个大早直奔图书馆找同学，同学给占了一个之前我没有坐过的位置，有点风，恰好我没有棉袄，差点冻死，于是下午就回了宿舍，周四周五周六就在宿舍待着，写软件工程的文档，哎呦，忒难写，还得画图，周日棉袄到位，在图书馆待了一天，把所有文档完结，做了一个PPT，顺手的事。
于是这一周就这么过完了
🎧阅读
Secure and Private Machine Learning: A Survey of Techniques and Applications
Differential Privacy: A Survey of Results
🥁计划
计划就是完成上周未完成的计划，开干！
-
“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。