我电脑的路径为C:\Users\weimengting\AppData\Roaming\Sublime Text\Packages\LaTeXTools\LaTeXTools.sublime-settings。其它bib文件已经配置好的模板一般不太会出现文献编译不了的情况，上面这种情况通常出现在自己重新写一个latex文件的时候。但是把文件放到overleaf上就可以直接编译出来，说明是本地编译器

三篇论文《Supervised Contrastive Learning》《A Simple Framework for Contrastive Learning of Visual Representations》《What Makes for GoodViews for Contrastive Learning》对比学习的思想起源于无监督学习，相比于监督学习算法，无监督学习由于没有标签的指导，

《Supervised Contrastive Learning》该工作将原来自监督学习(self-supervised)的对比学习思想扩展到全监督学习(full-supervised)，相比于上一篇SimCLR，SupCon在数据增强，encoder，投影网络的设计上没什么区别，在正样本与负样本的定义上稍有不同：在一个batch中，对于每一个选择的锚样本，与其属于同一类的都认为是正样本，不属于同

接上一节我们还不知道pθ​xt−1​∣xt​是什么形式，扩散模型的第一篇文章给出其同样也服从某个高斯分布，这个好像是从热动力学那里得到证明的，不做深入解释，我们现在要求解的就是其服从的分布的均值和方差是什么，才能够满足将损失函数最小化的要求，原文中给出的pθ​xt−1​∣xt​pθ​xt−1​∣xt​Nxt−1​;μθ​xt​tΣθ​xt​t来看损失函数的第二项∑t2T​DKL。

前言贝叶斯的一系列方法让我们在对数据建模的时候可以评估模型的认知不确定性，即：我们可以获得一种模型对自己的预测值有多大把握的评价指标，这种评价在许多方法中通常以方差的形式出现。本文介绍2016年在模型uncertainty方面比较有影响力的一篇文章，文章的附录中有大量的推导，考虑到其中有些公式的变换涉及到额外的文献，对一些推导细节不做深入讨论，只大概了解其过程和思想，重点看如何搭建模型，以及如何体

前言本来是想看模型uncertainty的，也不知怎么就回溯到了这里，建议提前看下极大似然估计，最大后验估计，贝叶斯公式。线性回归这里以一个多维的特征向量举例：假设输入样本为x\bm{x}x，模型的输出为不同参数在该样本上的线性组合f(x)=wTxf(\bm{x})=w^T\bm{x}f(x)=wTx，样本的标签为y=f(x)+ϵ\bm{y}=f(\bm{x}) + \epsilony=f(x)+

latex实现表格跨页