「收藏」其实是欺骗自己

阅读本文大概需要 2 分钟。

在看这篇文章之前,问你们一个问题先,你们有没有随手收藏的习惯?

不管是微博「@我的印象笔记」也好,微信、知乎或者一些其他网站也好,看到觉得还不错的文章,是不是总忍不住收藏起来,想着以后单独抽时间好好消化,如果你有这样的习惯,那么不妨打开你的这些收藏夹,看一下那里躺了多少所谓的干货,再看一下,过去了这么久的时间,你到底回头看了几篇文章?

据我过来人的经验,绝大部分人,都不会回头去看的,你收藏的一堆所谓的干货不过是一堆死尸。

按理说你收藏了不看,放在那里,也没什么大碍,但是我个人认为,这可能会增加你的焦虑感,试想,心里有件事一直放在那里,会徒增心里负担,这就好比你列了很多计划,但是都没有去完成一样的焦虑,而且绝大部分文章都不过是你看了一眼标题收藏起来的,看的越多,收藏的越多,你的焦虑感越重,因为你会觉得原来还有这么多的知识点你不会,或者根本从没接触过,自然会非常焦虑。

有些人可能会说我收藏干货是为了以后查找方便,相信我,你看了一眼标题就收藏的东西,对你以后的工作没有多大帮助,之后你遇到问题,Google 才是你最主要的帮手,你收藏夹里躺着的那些东西不会对你有任何帮助。

其实收藏这件小事反应了很多人的做事态度与执行力,很多人总是期盼着以后,比如先买一堆书籍,以后再看,比如先把代码写烂点,功能实现就行,以后再优化与重构,其实殊不知,买的书越堆越多,一本书的时候不会看,十本书更不会去看了,实现功能的时候不想着代码写好点,以后更是很难愿意单独抽出时间去重构与优化了。

我不止一次说过执行力的重要性,这世界上 99% 的人的智商、天赋都差不多,但是人与人之间最大的差异主要就是执行力的差距,而收藏这件小事基本就体现了执行力上的差距,有的人今日事今日毕,有的人却想着等我以后有时间了,有钱了,有能力了......然后就怎么怎么样,比如我从来就不相信那些给我留言说,等我有钱了,就赞赏我的人,因为我深知,现在不会做的,以后你再也不会去做的,我姑且当做一个安慰罢了。

2017 年一季度已经过去了,有多少人还记得在 17 年初你制定的年度计划?又有多少人在朝着自己制定的计划去努力?很多人总觉得做一件事很难,其实你只需要付出行动,并且坚持下去,你就可以轻松打败 80% 的人,就是这么容易。庆幸的是,我还记得,我还依然在朝着我年初的那些目标做努力,除了帅,执行力可能是我唯一的优势吧。

所以,别再收藏各种各样的干货了,买书不是学习,收藏只是在欺骗你自己。

其实,我在扯淡!

640?

不止技术与职场,还有生活与远方

长按关注,听我扯淡

——

微博: @googdev

个人博客: http://stormzhang.com

### 相关性欺骗干扰的定义及实现方式 在信息技术和数据安全领域,相关性欺骗干扰(Correlation Deception Interference)是一种通过修改或隐藏数据之间的关联性来误导数据分析的技术。这种技术通常用于保护隐私或混淆攻击者对敏感信息的分析。以下是对相关性欺骗干扰的详细描述: #### 定义 相关性欺骗干扰是指通过对数据集中的关联性进行人为调整,使得攻击者或未经授权的第三方无法准确推断出数据之间的实际关系[^1]。其核心目标是破坏或降低攻击者利用统计学方法、机器学习模型或其他数据分析工具的能力。 #### 实现原理 相关性欺骗干扰可以通过多种方式实现,主要包括以下几种技术: 1. **数据扰动** 数据扰动是一种通过向原始数据中添加噪声来改变数据分布的技术。例如,在文本数据中插入无关词汇或在数值数据中加入随机误差,可以降低数据之间的相关性强度。这种方法可以有效防止基于相关性的隐私泄露问题[^1]。 2. **特征选择与过滤** 特征选择涉及从数据集中移除那些可能导致高相关性的字段或属性。例如,如果某些权限结构可能引发相互依赖隐私问题,则可以通过设计过滤机制(如IDPFilter提出的API)来屏蔽这些敏感字段[^1]。 3. **生成对抗网络(GANs)** GANs可以用来生成虚假但看似真实的数据样本,从而混淆真实数据的相关性模式。通过训练生成器和判别器,GANs能够生成与原始数据相似但不完全一致的新数据点,从而实现相关性欺骗的目的[^2]。 4. **加密与匿名化** 对数据进行加密或匿名化处理也是一种常见的方式。例如,使用差分隐私技术对查询结果进行噪声注入,可以在保护个体隐私的同时保留整体统计数据的有效性。 5. **逻辑规则嵌入** 在某些场景下,可以通过嵌入特定的逻辑规则来控制数据输出。例如,IDPFilter提出了一种平台无关的API,允许开发者根据预定义的原则筛选并过滤掉涉及他人隐私的数据项。 ```python # 示例代码:简单的数据扰动实现 import numpy as np def add_noise(data, noise_level=0.1): """ 向数据中添加随机噪声以降低相关性。 :param data: 输入数据 (numpy array) :param noise_level: 噪声强度 :return: 添加噪声后的数据 """ noise = np.random.normal(0, noise_level, size=data.shape) return data + noise # 示例数据 original_data = np.array([1.0, 2.0, 3.0, 4.0]) perturbed_data = add_noise(original_data, noise_level=0.2) print("Original Data:", original_data) print("Perturbed Data:", perturbed_data) ``` #### 应用场景 相关性欺骗干扰广泛应用于以下领域: - **隐私保护**:防止用户数据被滥用或泄露。 - **网络安全**:抵御基于行为分析的攻击。 - **大数据分析**:减少敏感信息暴露的风险。 ---
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值