主页

多任务学习（MTL，multi-task learning）最早可以追溯到1997年的一篇文章，它描述的是一种学习范式——多个任务的数据一起来学习，学习的效果有可能要比每个任务单独学习的结果要好。本质上是利用多个任务的共享信息来提高在所有任务上的泛化性。

这一刻

回头看见自己

这一路的风景

百感交集的我

下一刻

又将飞向哪里

渐渐疲惫的羽翼

为你披上了勇气

记得刚接触轨迹相似性计算时，我想着先去找现成的博客快速了解。但找了一圈下来，能搜到的中文资料只有一篇简书的文章，写得还比较笼统，看完也没懂每种方法到底干了什么。然后想起我师兄是做轨迹相似性计算的，于是去翻看他的开题报告，却发现其中关于轨迹相似性方法的介绍居然还是借鉴简书的那篇文章……后来找到了python包可以直接计算，不需要自己去读原文实现各个方法，于是很长一段时间我就止步于“能用就行”。直到我在实验过程中遇到了解释不通的实验结果时，才不得不找来原文读，对这些方法才有了一个清晰的认识。

动笔写此文前又去网上搜了下相关资料，零零散散比三年前多了几篇中文介绍，不过基本上都是对这两年发表的英文综述的翻译和摘抄，于是写下此文，一是介绍这些方法，二是指出一些隐藏的坑，三是附上自己的一点思考，希望能对需要快速入门的人有所帮助。

在有了对抗样本之后，如何用其去训练稳健的模型来抵抗攻击？承接上一章内容，本章给出两种方法。

这一章我们来分析神经网络的稳健性优化，通过三种不同的策略来求解（或近似求解）内部最大化问题。内容较多，但读下来逻辑十分连贯，收获满满。

本章通过实例对线性模型的稳健性优化进行了分析。线性模型虽然特殊且简单，但却可以给我们带来一些直观的启发。

查找资料时偶然发现了对抗学习这一领域的头部学者Zico Kolter 和 Aleksander Madry写的入门教程](https://adversarial-ml-tutorial.org/)。写得非常精彩，不仅深入浅出还附有代码实操，第一章读下来只觉得意犹未尽，于是就想将其整理出来。共有五个章节，本篇是第一章，主要介绍了问题背景和基本概念。

去年上半年我偶然间在网上看到了一篇介绍Manjaro-Deepin的文章，当时就被那漂亮的UI给吸引住了——原来Linux还可以这么好看。以至于后来换笔记本时，就执意要买X1 Carbon装Manjaro用。其实当时也不是很清楚Debian和Arch的区别，但就这么误打误撞地用上了Arch。如今使用Manjaro-Deepin作为日常工作娱乐的系统已经一年有余了，不得不说，强大的AUR和滚动更新是真的爽。不过由于滚动更新而造成的故障也成了家常便饭。比如我这个系统，因为更新而导致无法进入图形界面的事情就出现了四五次了。从第一次遇到宕机时还慌得要命，到现在再遇到这种情况时淡定地处理，这种故障处理的经验让我更加了解Linux，相比之下用Ubuntu反而显得死气沉沉。今天来谈谈Linux软件依赖库文件不兼容的问题。