在 CTR 预估中，能不能有效地利用用户历史行为，页面同屏竞争广告信息，以及用户—广告，广告—广告关系等辅助信息来提升模型效果？本文介绍在这方面的探索工作，主要包括：

• 深度时空网络 ( DSTN )
• 深度记忆网络 ( MA-DNN )
• 特征表达辅助学习 ( MCP )

相关工作发表在 2019 KDD 主会，DLP-KDD 2019 workshop，2019 IJCAI 主会。

近年来，为了在保护数字信息免于泄露的同时有效识别用户，基于光学信息安全技术的图像加密和水印技术受到越来越多的关注。自研究人员在4f光学系统中首次提出了双随机相位编码方法（DRPE）以来，光学加密迅速发展，已经提出了基于DRPE的各种光学图像加密系统，例如基于联合变换相干性，分数傅里叶变换和投影到约束集合等的DRPE系统。

其他光学技术，如幽灵成像和干涉法，也已成功应用于光学加密，与传统DRPE相比，基于菲涅耳变换的DRPE系统可以将随机相位板的位置信息用作密钥，简化了系统的复杂性并增加了密钥的维度。

清华大数据软件团队官方微信公众号

前言

在深度学习模型中，激活函数扮演着至关重要的角色。它们不仅帮助引入非线性，使得神经网络能够学习复杂的模式，还对网络的性能和训练速度有直接影响。ReLU（Rectified Linear Unit）是最常用的激活函数之一，本篇文章将深入探讨 torch.nn.ReLU 的工作原理及应用。

一、摘要：

为降低某电厂循环流化床锅炉污染物排放，同时提高锅炉燃烧运行经济性，本文采用数据驱动技术实现循环流化床锅炉多目标燃烧优化。基于改进粒子群优化长短期记忆神经网络建立循环流化床锅炉NOx/SO2排放数学模型和锅炉排烟温度数学模型，以相对误差为预测性评估指标以确定最佳网络参数；其次，基于改进粒子群优化长短期记忆神经网络（IPSO-LSTM）、长 短期记忆神经网络（LSTM）、广义回归神经网络（GRNN）和反向传播神经网络（BPNN）分别构建NOx/SO2排放数学模型和锅炉排烟温度数学模型，通过比较预测性评估指标，证明本文构建预测模型有效性；最后，基于非支配排序遗传算法（NSGA-Ⅱ）获 取不同运行工况下循环流化床锅炉燃烧优化调整方案，以降低NOx/SO2排放浓度，同时维持排烟温度稳定性。结果表明：相比优化前，优化后NOx排放浓度平均降低了10.58%，SO2排放浓度平均降低了25.81%，最大降低了650 mg/m3 ，且排烟温度平均降 低0.14%。

1、什么是GAN？

GAN是2014年6月，Bengio团队提出来的，感兴趣的可以搜索论文：《Generative Adversarial Networks》

由生成器和判别器组成，即Generator和Discriminator，可以完成很多匪夷所思的生成问题。在图像生成、语音转换、文本生成领域均占有很重要地位。