• 综合排序
• 最热优先
• 最新优先
时间不限
时间不限
最近一周
最近一月
最近三月
• 来自专栏Elastic Stack专栏订阅

  使用 LangChain 和 Elasticsearch 实现隐私优先的人工智能搜索

  没有任何设计是无风险或完全私有的，即使与像 Elastic 这样对隐私和安全做出坚定承诺的公司合作或在真正的air gap环境中进行部署也是如此。 然而，我已经处理了足够多的敏感数据用例，知道通过隐私优先的方法实现人工智能搜索具有非常实际的价值。 2A. 使用LangChain 的内置 Vectorstore 库将这些文章的每个段落加载到 Elasticsearch 中。 2B. 步骤 2-a， 在 Elasticsearch 中加载嵌入 完整的代码显示了我如何仅使用 LangChain 来完成此操作。 隐私很重要。 你是否和我一样对 LangChain 爱不释手？就像一位智慧的老绝地武士曾说过：“那很好。你已经迈出了进入更大世界的第一步。”从这里可以朝着许多方向发展。

  3.1K62编辑于 2023-07-25
• 来自专栏机器学习/数据可视化订阅

  爬虫进阶-2-广度优先算法和深度优先算法

  爬虫进阶-2-广度优先搜索和深度优先搜索 本文中介绍的是爬虫的两种常见算法，当然它们不仅仅是运用在爬虫中： 广度优先搜索 深度优先搜索 它们是图的基本搜索算法，主要区别在于搜索顺序不同，解决的是图的最短路径问题 image.png 有向图也可以有权重； image.png 广度优先搜索 1、从顶点开始 image.png 2、选择最早成为候补的那个顶点，如果有多个，随机选择一个 image.png 一般都是两种学习方式 （1）、先把一门语言学完 比如学习Python，Python到爬虫到课时1、课时2、课时N，再学习Django，再学习机器学习；学完Python，再学Node.js，从基础知识到Express 这种方式就是深度优先搜索 image.png （2）、同时学习多门语言 如果用户是按照Python---Node.js---Golang---爬虫---Django---机器学习---基础知识--- Express---基础知识---并行计算---课时1（爬虫）---课时2（爬虫）的学习路线： 这种方式就称为广度优先搜索。

  1.7K50发布于 2021-03-30
• 来自专栏指点的专栏订阅

  DFS-深度优先搜索—2

  在这一篇博客：http://blog.csdn.net/hacker_zhidian/article/details/54773762中我们通过一道全排列的例子看了一下深度优先搜索（dfs）的基本思想和代码模型 所需的最短路径，样例数据： 5 4 0 0 1 0 0 0 0 0 0 0 1 0 0 1 0 0 0 0 0 1 3 2 是否已经走过），如果没有走过就可以走这个点，否则就要筛选下一个点，当然我们还需要判断迷宫边界，要走的点不能越界，那么，我们可以架构出大致的代码（将行作为x坐标，列作为y坐标）： int next[4][2] 0, 0}, {0, 0, 1, 0}, {0, 1, 0, 0}, {0, 0, 0, 1} }; // 储存迷宫信息的二维数组 int toX = 3, toY = 2; // 目标点 int book[100][100]; // 标记数组 int ans = 100000000; // 最短路径的结果 int next[4][2] = { // 代表下一步的4

  50620发布于 2019-01-18
• 来自专栏金融安全订阅

  数字身份的演变：从Cookie个性化到隐私优先未来

  面对新常态,本文深入分析三大替代方案:谷歌隐私沙盒(Privacy Sandbox)、统一ID解决方案(UID2)和AI驱动的情境广告。 赢得消费者信任将成为隐私优先数字经济中获得可持续竞争优势的关键。 这是在隐私优先时代最可靠、最宝贵的资产。采纳技术"投资组合"方法: 不要将所有赌注押在任何一个单一的Cookie替代方案上。 贯彻"设计即隐私"(Privacy by Design)原则: 将思维模式从被动的"合规导向"转变为主动的"隐私优先"。在产品设计、数据架构和营销活动策划的最初阶段,就将隐私保护原则融入其中。 企业战略重心必须转向建立直接客户关系、优先发展第一方数据能力并采取多元化技术组合策略。最终,在这个隐私优先的数字经济中,赢得消费者信任将成为获得可持续竞争优势的关键。

  32810编辑于 2026-01-05
• 来自专栏openclaw系列订阅

  Venice AI 深度解析：在 OpenClaw 中实现隐私优先的智能推理

  作为一款专注于隐私保护的AI推理平台，Venice通过创新的架构设计，在保证模型能力的同时，为用户提供了前所未有的隐私保障。 而OpenClaw作为现代化的AI客户端工具，与VeniceAI的深度集成，使得开发者能够轻松享受到隐私优先的AI服务。 第一章：VeniceAI核心理念与架构1.1隐私优先的设计哲学VeniceAI的核心理念可以用一句话概括："Yourdata,yourcontrol"（你的数据，你的控制权）。 50ms延迟典型用例：创意写作和内容生成复杂的技术问题解答多语言翻译和本地化高质量的代码生成选择建议：如果数据敏感度高→选择Private模式如果模型能力要求高→选择Anonymized模式如果两者都需要→优先考虑 6.2其他隐私代理服务对比服务隐私级别模型覆盖价格透明度功能完整性VeniceAI⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐

  61621编辑于 2026-03-21
• 来自专栏网络安全技术点滴分享订阅

  BentoPDF - 隐私优先的浏览器端免费 PDF 工具箱

  项目标题与描述BentoPDF 是一个强大、以隐私为先、客户端运行的 PDF 工具套件，支持自托管。 项目的核心目标是提供一个完全免费、无需注册、无限使用且尊重用户隐私的 PDF 处理解决方案。 隐私优先，完全本地处理：所有处理都在您的浏览器中完成，文件不会上传到任何服务器，确保了数据的绝对私密性。100% 免费，无需注册：所有工具均可免费无限次使用，无需创建账户或登录。 2. 更新 package.json 中的版本号 const newVersion = updateVersion(type); // 2.

  43310编辑于 2026-01-30
• 来自专栏网络安全技术点滴分享订阅

  Brave浏览器：隐私优先的开源浏览器项目全解析

  项目标题与描述Brave浏览器是一个基于Chromium开源项目的隐私保护浏览器，专注于提供快速、安全的浏览体验。 项目通过内置的广告拦截器、追踪保护和加密货币钱包（Brave Wallet）等核心功能，重新定义了现代浏览器的隐私标准。 功能特性根据代码库中的变更日志（CHANGELOG）和项目概述分析，Brave浏览器具备以下核心功能：隐私与安全增强：内置广告拦截与反追踪功能，保护用户免受恶意广告和隐私追踪实施硬件钱包通信验证等安全增强措施 克隆主仓库git clone https://github.com/brave/brave-browser.git# 2. 浏览器的核心组件使用Git命令克隆指定版本的brave-core仓库跨平台兼容性处理（Windows使用npm.cmd）通过util.run执行外部命令，确保依赖正确安装支持参数传递，允许自定义同步行为2.

  96120编辑于 2026-01-06
• 来自专栏文武兼修ing——机器学习与IC设计订阅

  基本2D优先堆基本优先队列二叉堆实现优先队列代码实现

  基本优先队列 考虑一种队列：每次取出的数据是队列中最小的元素。 这种队列可用于程序调度，作业分配等领域，这种队列被称为优先队列，核心的方法有： Insert()方法：将数据插入优先队列 DeleteMin()方法：将队列中的数据中最小的输出并删除 优先队列可以使用堆这一数据结构实现 二叉堆实现优先队列 二叉堆 二叉堆是除了底层外被完全填满的二叉树，最底层的数据也是从左到右填入（完全二叉树）。 因为其填满的特性，可以直接使用数组实现该树型结构：一个位于数组i位置的节点的子节点分别是2*i和2*i+1 优先队列实现 当一个二叉堆实现优先队列时，除了要满足堆的基本特性，还要满足一个特性：对任意一个节点 插入方法 对于堆，每次插入的位置是固定的，若直接将插入元素插入该位置，则优先队列的特性被破坏，因此，需要找到合适的插入位置。

  76260发布于 2018-04-27
• 来自专栏用九智汇分享订阅

  数据视角下的隐私合规2

  ———— 《数据出境安全评估办法》 “事前”是隐私合规与数据安全非常大的区分点， 隐私合规的整个逻辑是建立在“见本而知末”之上，即敏感数据的处理需事前记录及评估，后续的实际处理应该与事前记录一致 那数据发现或者流量检测在隐私合规领域是否就一无是处呢，我们认为也不是，他可以起到后续的持续监督作用做到及时补救，以及在隐私合规体系冷启动的时候，帮助做已上线业务的数据梳理 当下市场存在的误区之二是隐私合规是合规 最简单的一个逻辑就是隐私合规评估的对象本身就是业务和技术，是需要业务技术深度参与甚至主动发起的。 执一而应万 当下市场存在的误区之三是隐私合规全是事前的Paper工作，与实际数据无关。 这篇我们通过“见本而知末，执一而应万”介绍了隐私合规在数据处理层面存在事前与事后的两面性。下篇我们将从数据流转层面介绍隐私合规的两面性，此处先用两句偈语埋个伏笔。

  65930编辑于 2023-11-01
• 来自专栏腾讯高校合作订阅

  Wiztalk | 刘哲理 Part 2 《隐私集合交集算法：追踪广告效果&保护用户隐私—在线广告类型及其隐私问题》

  隐私集合交集算法：追踪广告效果&保护用户隐私 Part 2 在线广告类型及其隐私问题 分享专家： 南开大学 刘哲理教授 内容简介： 随着互联网的发展，在线广告逐渐成为主流，那么在线广告具体有着什么分类

  51420发布于 2021-04-01
• 来自专栏CSS森林订阅

  CSS样式的优先级补遗2

  CSS样式的优先级补遗2 由 Ghostzhang 发表于 2006-04-21 14:26 今天看到一篇《深入了解CSS的继承性及其应用》，文章中提到了CSS的特性值 样式表中的特殊性描述了不同规则的相对权重 以下是一个按特性分类的选择符的列表： H1 {color:blue;} /* 特性值为：1 */ P EM {color:purple;} /* 特性值为：2 */ .apple {red;} /* 当有多个规则都能应用于同一个元素时，权重越高的样式将被优先采用。 可能不太好理解，按照上面的权重顺序，先统计ID，再统计CLASS，再统计HTML标记。 可以试试改成： EM {color:red;} /* 特性值为：1 */ H1，H1 EM {color:black;} /* 特性值为：1，2 */ 效果还是一样的。 这也解释了为什么“包含选择符(E1 E2)”的优先级比“类型选择符(E)”要高。

  48930编辑于 2022-08-22
• 来自专栏python读书笔记订阅

  《算法图解》note 6 图以及广度优先搜索和深度优先搜索1.图2.广度优先搜索3.深度优先搜索

  这是《算法图解》第六篇读书笔记，涉及的主要内容为图结构、深度优先搜索和广度优先搜索。 1.图 1.1图的概述 图(graph)是一种基本的数据结构，它由点和边构成。 （2）下方展示的是有向图。 ? 图.JPG 1.3.1邻接矩阵 邻接矩阵的存储思路是枚举所有节点两两组合(包括节点自身)形成一个二维矩阵。 以下是邻接列表的实现方式： G=[ [1,5], [2,3,5], [3], [4,5], [5], [] ] 以下是邻接字典的实现方式： G={ 'a':{'b','f'}, 'b':{'c','d' ,'f'}, 'c':{'d'}, 'd':{'e','f'}, 'e':{'f'}, 'f':{} } 2.广度优先搜索 广度优先搜索（breath-first search）可用于搜索图的最短路径， 深度优先搜索（depth first search）是搜索图时常用的另一种方法。

  1.3K30发布于 2018-06-04
• 来自专栏DeepHub IMBA订阅

  不依赖对话日志检测Prompt注入，一套隐私优先的实现方案

  检测 Prompt 注入和越狱攻击的方法，大多建立在系统可以访问对话日志这个前提上。但是如果设计一个系统，每段对话只处理一次以提取特征，不保留原始文本可以吗？：

  16110编辑于 2026-04-15
• 来自专栏翩翩白衣少年订阅

  今日软荐：推荐一款隐私优先的个人知识管理系统：思源笔记。

  推荐一款 隐私优先、自托管、完全开源 的个人知识管理系统：思源笔记。 应用功能展示 块式编辑（Block） 数据库关联、汇总 双链块引 列表大纲 核心亮点 • 隐私优先：思源笔记的数据存储在本地，用户可以完全掌控自己的数据，极大地保护了隐私。 隐私保护、块级引用、AI 辅助写作等特性让它在众多笔记工具中脱颖而出。 如果你正在寻找一款能完全掌控个人知识、又不失灵活性的笔记系统，推荐试试思源笔记！

  95310编辑于 2024-10-21
• 来自专栏kalifaの日々订阅

  Trapping Rain Water1,2 优先队列解法

  class Solution { public: int trap(vector<int>& height) { pair<int,int> que; int len = height.size(); if(len<3) return 0; int res = 0; que.first = 0; que.second = len-1; int Max = -1; whi

  42340发布于 2018-08-03
• 来自专栏喔家ArchiSelf订阅

  从隐私到隐私计算

  一般地，隐私可以分为身体隐私、行为隐私、身份隐私、名誉隐私、肖像隐私、个人收入隐私和个人经历隐私。 例如电子邮件、即时通信的内容等，这些工具本身并不是隐私，只是其中记载并反映出来的信息才是隐私。 2. 什么是隐私保护？ 在数学上，差分隐私算法可以定义如下: 如果对于所有数据集，D1和 D2最多在一个元素上不同，并且所有的 S是Range (M) 的子集，在随机函数 M 得到了 ε 的差分隐私。 因此: Pr[M(D1) ε S] ≤ exp(ε) x Pr[M(D2) ε S] 数据集 D1中管理员输出的 M (D1)分布与数据集 D2中的 M (D2)几乎相同，数据集 D1和 D2只有一个个体的记录不同 ，而 M 是保证 ε微分隐私的随机化算法: ε 决定了两个数据集 D1和 D2的不可区分性，即对两个数据库集的查询响应偏差由 ε 决定。

  1.4K30编辑于 2022-12-03
• 来自专栏刷题笔记订阅

  2-5 修理牧场 (35 分)【优先队列】

  2-5 修理牧场 (35 分) 农夫要修理牧场的一段栅栏，他测量了栅栏，发现需要N块木头，每块木头长度为整数L​i​​个长度单位，于是他购买了一条很长的、能锯成N块的木头，即该木头的长度是L​i​​的总和 输入样例: 8 4 5 1 2 1 3 1 1 输出样例: 49 PAT一道特别好的优先队列的题目，简洁却藏着知识点。 哈夫曼树的非叶子节点之和，贪心算法 每次让最小的两节结合在一起变成一个大节点。 刚刚好适合使用优先队列。 priority_queue 优先队列，其底层是用堆来实现的。在优先队列中，队首元素一定是当前队列中优先级最高的那一个。 换成 greater表示数字小的优先级高。

  1K10发布于 2020-06-23
• 来自专栏韩曙亮的移动开发专栏订阅

  【Google Play】Android 应用隐私政策 ( 生成隐私政策 | HTML 隐私政策模板 | Markdown 隐私政策模板 )

  如对本《隐私政策》或相关事宜有任何问题，请通过 联系方式 与我们联系。

  <h2>1.

<h2>2.

<h2>4.

<h2>7. 变更</h2>

我们可能适时修订本《隐私政策》的条款。当变更发生时，我们会在版本更新时向您提示新的《隐私政策》，并向您说明生效日期。 请您仔细阅读变更后的《隐私政策》内容，若您继续使用我们的服务，即表示您同意我们按照更新后的《隐私政策》处理您的个人信息。

<h2>8.