Stanford STATS315A：现代统计学习（2026 冬）

深度神经网络严重过拟合了吗？

Are Deep Neural Networks Dramatically Overfitted? | Lil'Log

Lil'Log 博客讨论深度学习泛化问题的文章。从经典压缩与模型选择理论（奥卡姆剃刀、最小描述长度、柯尔莫哥洛夫复杂度、Solomonoff 推断）讲起，讨论深度模型的表达能力（万能逼近定理、两层网络有限样本表达性、可学习随机噪声），然后分析“是否严重过拟合”以及现代风险曲线、正则化并非泛化关键、内在维度、异构层鲁棒性和彩票假设。

走向揭开扩散模型创造力之谜

Towards demystifying the creativity of diffusion models

这是 Google 研究科学家 Zhengdao Chen 于 2026 年 7 月 15 日发布的博客，讨论扩散模型的"创造力"（生成新数据而非仅记忆训练集）如何成为数学结果。文中称这与神经网络学到"平滑化"的分数函数有关，并介绍在 ICLR 2026 发表的论文《On the Interpolation Effect of Score Smoothing in Diffusion Models》。文中提供论文与代码链接。

哈佛 CS1810：机器学习（2026）

Harvard CS1810：Machine Learning（2026）

哈佛大学 2026 年 CS1810 机器学习课程主页，授课教师为 David Alvarez-Melis 和 Yilun Du，上课时间为周二、周四 9:45–11:00，地点 SEC 1.321。课程对机器学习、概率推理和不确定环境下的决策做广泛而严谨的介绍，讨论常见算法的动机及其适用于特定任务的性质，要求推导多种方法的数学基础并将其应用于真实数据。主题包括监督学习、集成方法与提升、神经网络、支持向量机、核方法、聚类与无监督学习、最大似然、图模型、隐马尔可夫模型、推断方法、强化学习。课程面向高年级本科生，要求能编写较复杂程序、具备概率论基础并熟悉微积分与线性代数，提供的脚手架代码均为 Python。

什么是扩散模型？（Lil'Log 扩散模型详解）

Lil'Log 博客上的一篇长文，系统讲解扩散模型：前向扩散过程、与随机梯度 Langevin 动力学的联系、反向扩散过程、训练损失的参数化与化简、与噪声条件得分网络（NCSN）的关联、β_t 与反向过程方差的参数化，以及分类器引导和无分类器引导的条件生成、采样加速（蒸馏、一致性模型）、潜变量空间，并设有模型架构与要点小结章节。文章自 2021 年发布后多次更新，陆续补充了 GLIDE、unCLIP、Imagen、潜在扩散模型和渐进蒸馏等内容，开头还对比了 GAN、VAE、流模型等生成模型的局限。适合有深度学习基础、想了解扩散模型原理与推导的读者阅读。

在 Diffusers 中欢迎 FLUX.3 Image Klein

Welcome FLUX.3 Image Klein in Diffusers

这是 Hugging Face 博客的一篇文章（2026 年 10 月 15 日），介绍 Black Forest Labs 的新开放图像生成模型 FLUX.3 Image Klein 以及它在 Diffusers 中的首日支持。该模型同时支持文生图、多参考图生图和新增的布局控制（在提示词中写边界框指定图像各部分位置），发布了时间步蒸馏版和基础版两个开放检查点，并附带 NVFP4/FP8 权重加载、LoRA 训练脚本和 Modular Diffusers 流水线支持。

比较 PyTorch 中的不同自动图像增强方法

Comparing Different Automatic Image Augmentation Methods in PyTorch

Sebastian Raschka 的博客文章，介绍数据增强作为减少过拟合的手段的作用，并比较 PyTorch/torchvision 库中实现的四种自动图像增强技术：AutoAugment、RandAugment、AugMix 和 TrivialAugment，说明它们的原理与用法。适合使用 PyTorch 做图像模型训练的人阅读。