[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"tool-microsoft--robustlearn":3,"similar-microsoft--robustlearn":80},{"id":4,"github_repo":5,"name":6,"description_en":7,"description_zh":8,"ai_summary_zh":8,"readme_en":9,"readme_zh":10,"quickstart_zh":11,"use_case_zh":12,"hero_image_url":13,"owner_login":14,"owner_name":15,"owner_avatar_url":16,"owner_bio":17,"owner_company":18,"owner_location":18,"owner_email":19,"owner_twitter":20,"owner_website":21,"owner_url":22,"languages":23,"stars":32,"forks":33,"last_commit_at":34,"license":35,"difficulty_score":36,"env_os":37,"env_gpu":38,"env_ram":38,"env_deps":39,"category_tags":42,"github_topics":18,"view_count":45,"oss_zip_url":18,"oss_zip_packed_at":18,"status":46,"created_at":47,"updated_at":48,"faqs":49,"releases":79},4849,"microsoft\u002Frobustlearn","robustlearn","Robust machine learning for responsible AI","robustlearn 是由微软推出的统一机器学习库，专注于构建更稳健、更负责任的 AI 系统。在现实应用中，模型常面临对抗攻击、数据分布偏移（OOD）及标签噪声等挑战，导致性能下降甚至安全隐患。robustlearn 旨在解决这些痛点，提供了一套涵盖对抗攻防、分布外泛化及安全迁移学习的完整研究框架。\n\n该工具特别适合 AI 研究人员和开发者使用，尤其是那些致力于提升模型在复杂环境下可靠性与泛化能力的团队。其核心亮点在于集成了多项前沿学术成果，如用于视觉 Transformer 鲁棒性保护的 SpecFormer、针对预训练标签噪声优化的 NMtune，以及改进对抗训练泛化性的 RiFT 等。此外，它还关注长尾分布学习、联邦学习中的个性化泛化以及大语言模型（如 ChatGPT）的鲁棒性评估。\n\n通过模块化设计，robustlearn 允许用户轻松复现最新论文算法，并在此基础上进行二次开发与实验。无论是探索新的防御策略，还是验证模型在未知数据上的表现，它都能提供坚实的代码基础与基准支持，是连接理论研究与实际落地的重要桥梁。","[![Contributors][contributors-shield]][contributors-url]\n[![Forks][forks-shield]][forks-url]\n[![Stargazers][stars-shield]][stars-url]\n[![Issues][issues-shield]][issues-url]\n\u003C!-- \n***[![MIT License][license-shield]][license-url]\n-->\n\n\u003C!-- PROJECT LOGO -->\n\n\u003Cbr \u002F>\n\u003Cdiv align=\"center\">\n  \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Frobustlearn\">\n    \u003Cimg src=\"https:\u002F\u002Fwjdcloud.blob.core.windows.net\u002Ftools\u002Froblearn.png\" alt=\"Logo\" width=\"400\">\n  \u003C\u002Fa>\n\n  \u003Cstrong>robustlearn\u003C\u002Fstrong>: A unified library for research on robust machine learning\n\n\u003C\u002Fdiv>\n\nLatest research in robust machine learning, including adversarial\u002Fbackdoor attack and defense, out-of-distribution (OOD) generalization, and safe transfer learning.\n\nHosted projects:\n\n- **SpecFormer** (ECCV 2024, #Adversarial Robustness)\n  - [Code](.\u002Fspecformer\u002F) | [SpecFormer: Guarding Vision Transformer Robustness via Maximum Singular Value Penalization](https:\u002F\u002Farxiv.org\u002Fabs\u002F2402.03317)   \n\n- **NMtune** (ICLR 2024, #Generalization, #OOD)\n  - [Code](https:\u002F\u002Fgithub.com\u002FHhhhhhao\u002FNoisy-Model-Learning) | [Understanding and Mitigating the Label Noise in Pre-training on Downstream Tasks](https:\u002F\u002Farxiv.org\u002Fabs\u002F2309.17002)\n\n- **RiFT** (ICCV 2023, #Adversarial Robustness, #Generalization, #OOD)\n  - [Code](.\u002FRiFT\u002F) | [Improving Generalization of Adversarial Training via Robust Critical Fine-Tuning](https:\u002F\u002Farxiv.org\u002Fabs\u002F2308.02533)\n  \n- **Diversify** (ICLR 2023, #OOD):\n  - [Code](.\u002Fdiversify\u002F) | [Out-of-distribution Representation Learning for Time Series Classification](https:\u002F\u002Farxiv.org\u002Fabs\u002F2209.07027)\n- **DRM** (KDD 2023, #OOD):\n  - [Code](.\u002Fdrm\u002F) | [Domain-Specific Risk Minimization for Out-of-Distribution Generalization](https:\u002F\u002Farxiv.org\u002Fabs\u002F2208.08661)\n- **DDLearn** (KDD 2023, #OOD):\n  - [Code](.\u002Fddlearn\u002F) | [Generalizable Low-Resource Activity Recognition with Diverse and Discriminative Representation Learning](https:\u002F\u002Farxiv.org\u002Fabs\u002F2306.04641)\n- **SDMix** (IMWUT 2022, #OOD): \n  - [Code](.\u002Fsdmix\u002F) | [Semantic-Discriminative Mixup for Generalizable Sensor-based Cross-domain Activity Recognition](http:\u002F\u002Farxiv.org\u002Fabs\u002F2206.06629)\n- **MARC** (ACML 2022, #Long-tail): \n  - [Code](.\u002Fmarc\u002F) | [Margin Calibration for Long-Tailed Visual Recognition](https:\u002F\u002Farxiv.org\u002Fabs\u002F2112.07225)\n- **FedCLIP** (IEEE Data Engineering Bulletin 2023, #OOD #LargeModel): \n  - [Code](.\u002Ffedclip\u002F) | [FedCLIP: Fast Generalization and Personalization for CLIP in Federated Learning](https:\u002F\u002Farxiv.org\u002Fabs\u002F2302.13485)\n- **ChatGPT robustness** (arXiv 2023, #OOD #Adversarial #LargeModel): \n  - [Code](.\u002Fchatgpt-robust\u002F) | [On the Robustness of ChatGPT: An Adversarial and Out-of-distribution Perspective](https:\u002F\u002Farxiv.org\u002Fabs\u002F2302.12095)\n- Stay tuned for more upcoming projects!\n\nYou can clone or download this repo. Then, go to the project folder that you are interested to run and develop your research.\n\nRelated repos:\n  - Transfer learning: [[transferlearning: everything for transfer, domain adaptation, and more](https:\u002F\u002Fgithub.com\u002Fjindongwang\u002Ftransferlearning)]\n  - Semi-supervised learning: [[USB: unified semi-supervised learning benchmark](https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002FSemi-supervised-learning)] | [[TorchSSL: a unified SSL library](https:\u002F\u002Fgithub.com\u002FTorchSSL\u002FTorchSSL)] \n  - Prompt benchmark for large language models: [[PromptBench: adverarial robustness of prompts of LLMs](https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fpromptbench)]\n  - Evlauation of large language models: [[LLM-eval](https:\u002F\u002Fllm-eval.github.io\u002F)]\n  - Federated learning: [[PersonalizedFL: library for personalized federated learning](https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002FPersonalizedFL)]\n  - Enhancement of large language models: [[LLM-enhance](https:\u002F\u002Fllm-enhance.github.io\u002F)]\n\n\n## Contributing\n\nThis project welcomes contributions and suggestions.  Most contributions require you to agree to a\nContributor License Agreement (CLA) declaring that you have the right to, and actually do, grant us\nthe rights to use your contribution. For details, visit https:\u002F\u002Fcla.opensource.microsoft.com.\n\nWhen you submit a pull request, a CLA bot will automatically determine whether you need to provide\na CLA and decorate the PR appropriately (e.g., status check, comment). Simply follow the instructions\nprovided by the bot. You will only need to do this once across all repos using our CLA.\n\nThis project has adopted the [Microsoft Open Source Code of Conduct](https:\u002F\u002Fopensource.microsoft.com\u002Fcodeofconduct\u002F).\nFor more information see the [Code of Conduct FAQ](https:\u002F\u002Fopensource.microsoft.com\u002Fcodeofconduct\u002Ffaq\u002F) or\ncontact [opencode@microsoft.com](mailto:opencode@microsoft.com) with any additional questions or comments.\n\n## Trademarks\n\nThis project may contain trademarks or logos for projects, products, or services. Authorized use of Microsoft \ntrademarks or logos is subject to and must follow \n[Microsoft's Trademark & Brand Guidelines](https:\u002F\u002Fwww.microsoft.com\u002Fen-us\u002Flegal\u002Fintellectualproperty\u002Ftrademarks\u002Fusage\u002Fgeneral).\nUse of Microsoft trademarks or logos in modified versions of this project must not cause confusion or imply Microsoft sponsorship.\nAny use of third-party trademarks or logos are subject to those third-party's policies.\n\n\n[contributors-shield]: https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fcontributors\u002Fmicrosoft\u002Frobustlearn.svg?style=for-the-badge\n[contributors-url]: https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Frobustlearn\u002Fgraphs\u002Fcontributors\n[forks-shield]: https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fforks\u002Fmicrosoft\u002Frobustlearn.svg?style=for-the-badge\n[forks-url]: https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Frobustlearn\u002Fnetwork\u002Fmembers\n[stars-shield]: https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002Fmicrosoft\u002Frobustlearn.svg?style=for-the-badge\n[stars-url]: https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Frobustlearn\u002Fstargazers\n[issues-shield]: https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fissues\u002Fmicrosoft\u002Frobustlearn.svg?style=for-the-badge\n[issues-url]: https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Frobustlearn\u002Fissues\n[license-shield]: https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002Fmicrosoft\u002Frobustlearn.svg?style=for-the-badge\n[license-url]: https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Frobustlearn\u002Fblob\u002Fmain\u002FLICENSE.txt","[![贡献者][contributors-shield]][contributors-url]\n[![分支数][forks-shield]][forks-url]\n[![星标数][stars-shield]][stars-url]\n[![问题数][issues-shield]][issues-url]\n\u003C!-- \n***[![MIT 许可证][license-shield]][license-url]\n-->\n\n\u003C!-- 项目Logo -->\n\n\u003Cbr \u002F>\n\u003Cdiv align=\"center\">\n  \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Frobustlearn\">\n    \u003Cimg src=\"https:\u002F\u002Fwjdcloud.blob.core.windows.net\u002Ftools\u002Froblearn.png\" alt=\"Logo\" width=\"400\">\n  \u003C\u002Fa>\n\n  \u003Cstrong>robustlearn\u003C\u002Fstrong>: 一个用于鲁棒机器学习研究的统一库\n\n\u003C\u002Fdiv>\n\n鲁棒机器学习领域的最新研究成果，包括对抗\u002F后门攻击与防御、分布外（OOD）泛化以及安全迁移学习。\n\n托管项目：\n\n- **SpecFormer**（ECCV 2024，#对抗鲁棒性）\n  - [代码](.\u002Fspecformer\u002F) | [SpecFormer：通过最大奇异值惩罚保护视觉Transformer的鲁棒性](https:\u002F\u002Farxiv.org\u002Fabs\u002F2402.03317)   \n\n- **NMtune**（ICLR 2024，#泛化，#OOD）\n  - [代码](https:\u002F\u002Fgithub.com\u002FHhhhhhao\u002FNoisy-Model-Learning) | [理解并缓解下游任务预训练中的标签噪声](https:\u002F\u002Farxiv.org\u002Fabs\u002F2309.17002)\n\n- **RiFT**（ICCV 2023，#对抗鲁棒性，#泛化，#OOD）\n  - [代码](.\u002FRiFT\u002F) | [通过鲁棒关键微调提升对抗训练的泛化能力](https:\u002F\u002Farxiv.org\u002Fabs\u002F2308.02533)\n  \n- **Diversify**（ICLR 2023，#OOD）：\n  - [代码](.\u002Fdiversify\u002F) | [面向时间序列分类的分布外表征学习](https:\u002F\u002Farxiv.org\u002Fabs\u002F2209.07027)\n- **DRM**（KDD 2023，#OOD）：\n  - [代码](.\u002Fdrm\u002F) | [面向分布外泛化的领域特定风险最小化](https:\u002F\u002Farxiv.org\u002Fabs\u002F2208.08661)\n- **DDLearn**（KDD 2023，#OOD）：\n  - [代码](.\u002Fddlearn\u002F) | [通过多样且具有区分性的表征学习实现可泛化的低资源活动识别](https:\u002F\u002Farxiv.org\u002Fabs\u002F2306.04641)\n- **SDMix**（IMWUT 2022，#OOD）： \n  - [代码](.\u002Fsdmix\u002F) | [面向可泛化传感器跨域活动识别的语义区分性混合](http:\u002F\u002Farxiv.org\u002Fabs\u002F2206.06629)\n- **MARC**（ACML 2022，#长尾）： \n  - [代码](.\u002Fmarc\u002F) | [面向长尾视觉识别的边缘校准](https:\u002F\u002Farxiv.org\u002Fabs\u002F2112.07225)\n- **FedCLIP**（IEEE 数据工程简报 2023，#OOD #大模型）： \n  - [代码](.\u002Ffedclip\u002F) | [FedCLIP：在联邦学习中实现CLIP的快速泛化与个性化](https:\u002F\u002Farxiv.org\u002Fabs\u002F2302.13485)\n- **ChatGPT 鲁棒性**（arXiv 2023，#OOD #对抗 #大模型）： \n  - [代码](.\u002Fchatgpt-robust\u002F) | [关于ChatGPT的鲁棒性：从对抗与分布外视角](https:\u002F\u002Farxiv.org\u002Fabs\u002F2302.12095)\n- 敬请期待更多即将发布的项目！\n\n您可以克隆或下载此仓库。然后，进入您感兴趣的项目文件夹，开展您的研究工作。\n\n相关仓库：\n  - 迁移学习：[[transferlearning：迁移学习、领域适应等一切](https:\u002F\u002Fgithub.com\u002Fjindongwang\u002Ftransferlearning)]\n  - 半监督学习：[[USB：统一的半监督学习基准](https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002FSemi-supervised-learning)] | [[TorchSSL：统一的SSL库](https:\u002F\u002Fgithub.com\u002FTorchSSL\u002FTorchSSL)] \n  - 大型语言模型提示词基准：[[PromptBench：LLMs提示词的对抗鲁棒性](https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fpromptbench)]\n  - 大型语言模型评估：[[LLM-eval](https:\u002F\u002Fllm-eval.github.io\u002F)]\n  - 联邦学习：[[PersonalizedFL：个性化联邦学习库](https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002FPersonalizedFL)]\n  - 大型语言模型增强：[[LLM-enhance](https:\u002F\u002Fllm-enhance.github.io\u002F)]\n\n\n## 贡献\n\n本项目欢迎各位的贡献和建议。大多数贡献都需要您同意一份贡献者许可协议（CLA），声明您有权并将您的贡献权利授予我们使用。详情请访问 https:\u002F\u002Fcla.opensource.microsoft.com。\n\n当您提交拉取请求时，CLA机器人会自动判断您是否需要提供CLA，并相应地为PR添加标记（例如状态检查、评论）。只需按照机器人提供的指示操作即可。对于所有使用我们CLA的仓库，您只需完成一次此步骤。\n\n本项目已采用 [微软开源行为准则](https:\u002F\u002Fopensource.microsoft.com\u002Fcodeofconduct\u002F)。更多信息请参阅 [行为准则常见问题解答](https:\u002F\u002Fopensource.microsoft.com\u002Fcodeofconduct\u002Ffaq\u002F)，或如有任何其他疑问或意见，请联系 [opencode@microsoft.com](mailto:opencode@microsoft.com)。\n\n## 商标\n\n本项目可能包含项目、产品或服务的商标或标志。未经授权使用微软商标或标志须遵守并遵循 [微软商标与品牌指南](https:\u002F\u002Fwww.microsoft.com\u002Fen-us\u002Flegal\u002Fintellectualproperty\u002Ftrademarks\u002Fusage\u002Fgeneral)。在本项目的修改版本中使用微软商标或标志不得造成混淆或暗示微软的赞助。任何第三方商标或标志的使用均应遵守该第三方的相关政策。\n\n\n[contributors-shield]: https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fcontributors\u002Fmicrosoft\u002Frobustlearn.svg?style=for-the-badge\n[contributors-url]: https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Frobustlearn\u002Fgraphs\u002Fcontributors\n[forks-shield]: https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fforks\u002Fmicrosoft\u002Frobustlearn.svg?style=for-the-badge\n[forks-url]: https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Frobustlearn\u002Fnetwork\u002Fmembers\n[stars-shield]: https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002Fmicrosoft\u002Frobustlearn.svg?style=for-the-badge\n[stars-url]: https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Frobustlearn\u002Fstargazers\n[issues-shield]: https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fissues\u002Fmicrosoft\u002Frobustlearn.svg?style=for-the-badge\n[issues-url]: https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Frobustlearn\u002Fissues\n[license-shield]: https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002Fmicrosoft\u002Frobustlearn.svg?style=for-the-badge\n[license-url]: https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Frobustlearn\u002Fblob\u002Fmain\u002FLICENSE.txt","# robustlearn 快速上手指南\n\n**robustlearn** 是微软开源的统一库，专注于鲁棒机器学习研究，涵盖对抗攻击\u002F防御、分布外（OOD）泛化及安全迁移学习等前沿方向。该仓库集成了多个顶会论文算法（如 ECCV, ICLR, ICCV, KDD 等）。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**: Linux (推荐), macOS, 或 Windows\n*   **Python**: 3.8 或更高版本\n*   **深度学习框架**: PyTorch (具体版本请参考各子项目要求，通常建议 1.9+)\n*   **依赖管理**: pip 或 conda\n\n> **提示**：由于不同子项目（如 SpecFormer, RiFT 等）的依赖可能略有差异，建议为每个项目创建独立的虚拟环境。\n\n## 安装步骤\n\nrobustlearn 是一个集合库，包含多个独立的研究项目。您可以根据需要克隆整个仓库并进入特定项目目录进行安装。\n\n### 1. 克隆仓库\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Frobustlearn.git\ncd robustlearn\n```\n\n> **国内加速**：如果访问 GitHub 较慢，可使用国内镜像源克隆：\n> ```bash\n> git clone https:\u002F\u002Fgitee.com\u002Fmirrors\u002Frobustlearn.git\n> # 注意：需确认 Gitee 镜像是否同步最新，若不同步建议使用官方源配合代理\n> ```\n\n### 2. 进入目标项目并安装依赖\n\n选择您感兴趣的项目文件夹（例如 `specformer` 或 `RiFT`），然后安装其特定依赖。\n\n**示例：安装 SpecFormer 项目**\n\n```bash\ncd specformer\npip install -r requirements.txt\n```\n\n**示例：安装 RiFT 项目**\n\n```bash\ncd ..\u002FRiFT\npip install -r requirements.txt\n```\n\n*注：部分项目可能没有 `requirements.txt`，请查看该项目目录下的 `README.md` 获取具体的安装指令。*\n\n## 基本使用\n\n由于 robustlearn 托管了多个独立算法，使用方式取决于您选择的具体项目。通用流程如下：\n\n1.  **进入项目目录**。\n2.  **准备数据**：根据项目说明下载并放置数据集。\n3.  **运行训练\u002F评估脚本**。\n\n以下以 **SpecFormer** (ECCV 2024) 为例展示最简单的运行逻辑：\n\n```bash\n# 进入项目目录\ncd robustlearn\u002Fspecformer\n\n# 运行训练脚本 (具体参数请参考该项目 README)\npython main.py --dataset cifar10 --model vit_base --epochs 100\n```\n\n以下以 **RiFT** (ICCV 2023) 为例：\n\n```bash\n# 进入项目目录\ncd robustlearn\u002FRiFT\n\n# 执行对抗训练与微调\npython train.py --config configs\u002Frift_cifar10.yaml\n```\n\n### 探索其他项目\n\n您可以浏览仓库根目录或各子文件夹，找到更多已实现的研究项目：\n\n*   **NMtune**: 处理预训练中的标签噪声 (`cd ..\u002FNoisy-Model-Learning` 或参考外链)\n*   **Diversify**: 时间序列分类的 OOD 表示学习 (`cd ..\u002Fdiversify`)\n*   **FedCLIP**: 联邦学习中的 CLIP 模型泛化 (`cd ..\u002Ffedclip`)\n\n请始终优先阅读具体子项目文件夹内的 `README.md` 文件，以获取该算法特有的数据集准备方法和超参数配置说明。","某自动驾驶初创公司的算法团队正在训练一个用于识别交通标志的视觉模型，但面临测试环境与训练数据分布不一致以及潜在对抗攻击的严峻挑战。\n\n### 没有 robustlearn 时\n- 模型在晴朗天气的训练集上表现优异，一旦遇到雨雪雾等分布外（OOD）场景，识别准确率断崖式下跌。\n- 缺乏统一的防御框架，团队需从零复现论文代码来抵御对抗样本攻击，研发周期长且容易出错。\n- 面对长尾分布数据（如罕见交通标志），模型倾向于忽略少数类，导致关键安全隐患无法被及时发现。\n- 不同鲁棒性技术（如微调、域适应）之间代码割裂，难以进行系统性的对比实验和组合优化。\n\n### 使用 robustlearn 后\n- 直接调用库中的 Diversify 或 DRM 模块，显著提升了模型在雨雪等未知环境下的泛化能力，确保全天候稳定运行。\n- 集成 SpecFormer 或 RiFT 算法，轻松为 Vision Transformer 模型添加抗对抗攻击和抗后门攻击的防御层，无需重复造轮子。\n- 利用 MARC 模块自动校准长尾数据的分类边界，大幅提高了对罕见交通标志的识别召回率。\n- 在一个统一的代码库中灵活切换和组合多种鲁棒性策略，将算法迭代验证的效率提升了数倍。\n\nrobustlearn 通过提供一站式的鲁棒机器学习方案，帮助团队将原本脆弱的实验模型转化为能应对复杂现实世界挑战的可靠系统。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmicrosoft_robustlearn_b67a05ff.png","microsoft","Microsoft","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fmicrosoft_4900709c.png","Open source projects and samples from Microsoft",null,"opensource@microsoft.com","OpenAtMicrosoft","https:\u002F\u002Fopensource.microsoft.com","https:\u002F\u002Fgithub.com\u002Fmicrosoft",[24,28],{"name":25,"color":26,"percentage":27},"Python","#3572A5",99.1,{"name":29,"color":30,"percentage":31},"Shell","#89e051",0.9,507,63,"2026-03-20T05:46:03","MIT",3,"","未说明",{"notes":40,"python":38,"dependencies":41},"该项目是一个包含多个独立子项目（如 SpecFormer, NMtune, RiFT 等）的统一库，README 中未提供统一的环境配置说明。用户需克隆仓库后，进入各自感兴趣的具体项目文件夹，查阅该子项目内部的文档以获取具体的依赖和运行要求。",[],[43,44],"开发框架","其他",2,"ready","2026-03-27T02:49:30.150509","2026-04-07T13:27:55.535150",[50,55,60,65,70,75],{"id":51,"question_zh":52,"answer_zh":53,"source_url":54},22052,"为什么在 diversify 文件夹中找不到除 DANN 以外的算法代码？","代码库已更新以支持新的 PyTorch 版本。请更新仓库并查看 README 文件。由于使用新版 PyTorch 重新运行程序，结果可能与原 README 略有不同。训练日志可在线查看：https:\u002F\u002Fwandb.ai\u002Fluw12thu\u002Fdiversify。","https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Frobustlearn\u002Fissues\u002F21",{"id":56,"question_zh":57,"answer_zh":58,"source_url":59},22053,"DDLearn 项目是否提供了除 DSADS 以外数据集（如 PAMAP2, USC-HAD）的预处理代码？","维护者已更新代码，请再次检查仓库。如果仍有问题，建议直接邮件联系第一作者并抄送维护者以快速解决。数据处理流程通常为：先运行 `deal_dsads.py`（或对应的 deal_pamap.py），然后运行 `data_preprocess_devide_domain.py`，最后运行 `raw_aug_loader.py`。注意检查数据列设置是否正确。","https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Frobustlearn\u002Fissues\u002F52",{"id":61,"question_zh":62,"answer_zh":63,"source_url":64},22054,"如何使用提供的代码复现 TinyImageNet 数据集上的准确结果？","TinyImageNet 验证集准确率偏低通常是因为缺少必要的预处理步骤。从斯坦福网站下载数据集后，需要进行特定的预处理（参考此博客：https:\u002F\u002Fblog.csdn.net\u002Fu011281708\u002Farticle\u002Fdetails\u002F107977802）。此外，对抗训练过程通常在 110 个 epoch 停止。如果 TinyImageNet 的检查点有问题，可以先使用已验证正确的 CIFAR10 和 CIFAR100 检查点。","https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Frobustlearn\u002Fissues\u002F59",{"id":66,"question_zh":67,"answer_zh":68,"source_url":69},22055,"在使用低版本 PyTorch（如 1.7.1）复现 DIVERSIFY 算法时，结果与论文不符怎么办？","由于 PyTorch 版本不同导致环境差异，不能直接使用论文提供的超参数。您需要重新进行超参数搜索（hyperparameter search）。另外，请仔细核对命令行参数，例如论文中的 epoch 数量可能与 README 中的命令不一致，需根据实际运行情况调整 `--max_epoch` 等参数。","https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Frobustlearn\u002Fissues\u002F57",{"id":71,"question_zh":72,"answer_zh":73,"source_url":74},22056,"在哪里可以获取论文中提到的完整源代码和数据预处理脚本？","核心源代码已在此仓库中发布。对于部分数据处理文件，可能需要联系作者获取。如果您需要完整的实验代码（包括未完全公开的部分），建议通过邮件向作者提出请求，通常作者会提供帮助。","https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Frobustlearn\u002Fissues\u002F25",{"id":76,"question_zh":77,"answer_zh":78,"source_url":59},22057,"复现 DDLearn 实验时，即使按照脚本运行也无法达到预期精度，可能的原因是什么？","首先确认数据集下载链接是否正确（DSADS, PAMAP2, USCHAD 均有官方存档）。其次检查预处理脚本中是否有列索引错误（如 `deal_pamap.py` 曾存在列设置错误）。如果环境和步骤均无误但结果仍低 5%-10%，可能是机器差异或早停（early stop）策略设置不同，建议对比训练日志或直接联系作者排查。",[],[81,92,100,109,117,126],{"id":82,"name":83,"github_repo":84,"description_zh":85,"stars":86,"difficulty_score":36,"last_commit_at":87,"category_tags":88,"status":46},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,"2026-04-06T06:32:30",[89,43,90,91],"Agent","图像","数据工具",{"id":93,"name":94,"github_repo":95,"description_zh":96,"stars":97,"difficulty_score":36,"last_commit_at":98,"category_tags":99,"status":46},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[43,90,89],{"id":101,"name":102,"github_repo":103,"description_zh":104,"stars":105,"difficulty_score":45,"last_commit_at":106,"category_tags":107,"status":46},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",142651,"2026-04-06T23:34:12",[43,89,108],"语言模型",{"id":110,"name":111,"github_repo":112,"description_zh":113,"stars":114,"difficulty_score":45,"last_commit_at":115,"category_tags":116,"status":46},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107888,"2026-04-06T11:32:50",[43,90,89],{"id":118,"name":119,"github_repo":120,"description_zh":121,"stars":122,"difficulty_score":45,"last_commit_at":123,"category_tags":124,"status":46},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[125,43],"插件",{"id":127,"name":128,"github_repo":129,"description_zh":130,"stars":131,"difficulty_score":36,"last_commit_at":132,"category_tags":133,"status":46},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[108,90,89,43]]