Ключ	Значение
Server	GitHub.com
Access-Control-Allow-Origin	*
Strict-Transport-Security	max-age=31556952
ETag	"6a526be6-7df5"
Cache-Control	max-age=600
x-proxy-cache	MISS
x-github-request-id	0BEC:376FA0:12DF7C:1421AF:6A891D04
x-github-edge-region	swedencentral
Accept-Ranges	bytes
Age	0
Date	Sat, 22 Aug 2026 03:52:37 GMT
Via	1.1 varnish
X-Served-By	cache-bma-essb1270038-BMA
X-Cache	MISS
x-cache-hits	0
x-timer	S1787370757.908197,VS0,VE112
Vary	Accept-Encoding
x-fastly-request-id	495798267e858e5205a7cada145f0c34a52c09ed

CMS

jemdoc, see http://jemdoc.jaboc.net/

Система управления сайтом (движок) ?

В мета-теге generator указано: jemdoc, see http://jemdoc.jaboc.net/.

Веб-сервер

GitHub.com

Программное обеспечение сервера ?

В заголовке Server указано: GitHub.com.

Мета-теги Готовность: 22%

Title

Publications

Заголовок страницы в браузере и поисковой выдаче ?

Необходимо увеличить число символов в title (текущее значение мало: 12, минимум: 25, оптимально: от 40 до 45)

Дублей словоформ в title не найдено.

Исправить

Description

Описание страницы в поисковой выдаче (сниппет) ?

Установите мета-тег description!

Исправить

Keywords

Список ключевых слов страницы (устаревший тег) ?

Установите мета-тег keywords!

Исправить

Канонический Url

Указывает поисковику основную версию страницы ?

Robots

Ошибок нет

Директивы для поисковых роботов на уровне страницы ?

Meta-тег robots не указан. Страница свободна для индексации.

Адаптивность

Настройка масштабирования на мобильных устройствах ?

Meta-тег viewport не указан. Страница не адаптивная.

Исправить

Разметка OpenGraph

Не найдено

Мета-теги для красивых превью в соцсетях ?

Разметка OpenGraph не задана. Страница не оптимизирована под социальные сети. Мета-теги с разметкой Og помогают социальным роботам лучше структурировать Ваш сайт.

Исправить

Все мета-теги

Кол-во: 1

Полный список мета-тегов страницы ?

Найдены мета-теги 1шт. Мета-теги не видимы для человека и предназначены для обмена информацией между веб-страницей и поисковыми системами, браузерами и другими веб-службами. С ними роботы 🤖 и устройства ведут себя более ожидаемо.

Показать полный список мета-тегов

Тип	Название	Значение
name	generator	jemdoc, see http://jemdoc.jaboc.net/

Оптимизация Готовность: 70%

Структура

Ошибок нет

Семантические HTML-элементы страницы ?

Структура документа корректна (теги <html> и <body> присутствуют в единственном экземпляре).

Контент

Есть ошибки

Объём и качество текстового содержимого ?

Слова из title 1 встречаются в тексте редко. Добавьте в контент страницы слова из тега <title>!

Абзацев с текстом 125 достаточно.

Среднее число слов в абзаце 26 достаточно.

Кол-во знаков контента 20573 на странице оптимально.

Кол-во слов 3451 на странице оптимально.

Исправить

Заголовки

Ошибок нет

Иерархия заголовков H1–H6 ?

На странице присутствуют заголовки <h1> 1. Это прекрасно.

На странице присутствуют заголовки <h2> 3. Это хорошо.

Тошнота

4,47

Насколько одно слово доминирует в тексте ?

Тошнота страницы в пределах нормы 4,47.

Академич. тошнота

19,21%

Насколько текст перенасыщен ключевыми словами ?

Академическая тошнота превышает норму 5-15%. Измените текст страницы!

Исправить

Семантическое ядро

Наиболее часто встречающиеся слова на странице ?

Контент страницы содержит осмысленный текст и слова.

Показать список слов

Слово	Кол-во	Частота
optimization	20	0,58%
adversarial	20	0,58%
unlearning	18	0,52%
zhang*	18	0,52%
networks	18	0,52%
neural	14	0,41%
varshney	14	0,41%
learning	13	0,38%
signal	13	0,38%
training	12	0,35%
processing	12	0,35%
machine	10	0,29%
robustness	10	0,29%
models	9	0,26%
robust	9	0,26%
spotlight	8	0,23%
daniel	8	0,23%
fardad	8	0,23%
transactions	8	0,23%
sensor	8	0,23%

Индексация Готовность: 0%

Индексирование

Ошибок нет

Разрешено ли индексирование страницы ?

Анкоров на странице 123 оптимально. Поисковые роботы обязательно проиндексируют сайт.

Robots.txt

Не найден

Файл управления сканированием сайта роботами ?

Файл robots.txt не найден (ошибка 404). Крайне рекомендуем добавить файл robots.txt, это правило хорошего тона для поисковых роботов.

Исправить

Sitemap

Кол-во: 0

XML-карта сайта для поисковиков ?

Robots.txt не содержит ссылку на карту сайта. Рекомендуется добавить карту сайта и указать ссылку на нее в robots.txt.

Исправить

Внутренние ссылки

Кол-во: 11

Ссылки на другие страницы своего сайта ?

Внутренних ссылок на странице 11 оптимально.

Показать внутренние ссылки

Url	Анкор	Состояние
/index.html	Home
/links\CV_SLiu.pdf	CV(2 pages)
/publications.html	Publications
/funding.html	Projects
/CSE891.html	CSE891
/talk.html	Talks
/null	Hidden Cost of Randomized Smoothing
/A	Memristor-Based Optimization Framework for AI Applications
/Accelerated	Distributed Dual Averaging over Evolving Networks of Growing Connectivity
/Bias-Variance	Tradeoff of Graph Laplacian Smoothing Regularizer
/Chromosome	conformation and gene expression patterns differ profoundly in human fibroblasts grown in spheroids versus monolayers

Внешние ссылки

Кол-во: 112

Ссылки на сторонние сайты ?

Внешних ссылок на странице 112 слишком много. Спрячьте лишние ссылки в тег noindex или атрибут rel='nofollow'!

Показать первые 100 внешних ссылок

Url	Анкор
optml-group.com	OPTML Group
scholar.google.com	Google scholar
openreview.net	Unlearning Isn't Invisible: Detecting Unlearning Traces in LLMs from Model Outputs
openreview.net	Safety Mirage: How Spurious Correlations Undermine VLM Safety Fine-Tuning and Can Be Mitigated by Machine Unlearning
openreview.net	Downgrade to Upgrade: Optimizer Simplification Enhances Robustness in LLM Unlearning
openreview.net	CyclicReflex: Improving Reasoning Models via Cyclical Reflection Token Scheduling
neurips.cc	The Fragile Truth of Saliency: Improving LLM Input Attribution via Attention Bias Optimization
arxiv.org	Simplicity Prevails: Rethinking Negative Preference Optimization for LLM Unlearning
arxiv.org	One Token Embedding Is Enough to Deadlock Your Large Reasoning Model
arxiv.org	LLM Unlearning on Noisy Forget Sets: A Study of Incomplete, Rewritten, and Watermarked Data
arxiv.org	Reasoning Model Unlearning: Forgetting Traces, Not Just Answers, While Preserving Reasoning Skills
arxiv.org	LLM Unlearning Reveals a Stronger-Than-Expected Coreset Effect in Current Benchmarks
arxiv.org	Invisible Watermarks, Visible Gains: Steering Machine Unlearning with Bi-Level Watermarking Design
arxiv.org	Towards LLM Unlearning Resilient to Relearning Attacks: A Sharpness-Aware Minimization Perspective and Beyond
arxiv.org	Invariance Makes LLM Unlearning Resilient Even to Unanticipated Downstream Fine-Tuning
openreview.net	When is Task Vector Provably Effective for Model Editing? A Generalization Analysis of Nonlinear Transformers
arxiv.org	Can Adversarial Examples Be Parsed to Reveal Victim Model Information?
arxiv.org	UnlearnCanvas: Stylized Image Dataset for Enhanced Machine Unlearning Evaluation in Diffusion Models
arxiv.org	From Trojan Horses to Castle Walls: Unveiling Bilateral Backdoor Effects in Diffusion Models
arxiv.org	WAGLE: Strategic Weight Attribution for Effective and Modular Unlearning in Large Language Models
arxiv.org	Defensive Unlearning with Adversarial Training for Robust Concept Erasure in Diffusion Models
arxiv.org	SOUL: Unlocking the Power of Second-order Optimization for LLM Unlearning
arxiv.org	To Generate or Not? Safety-Driven Unlearned Diffusion Models Are Still Easy To Generate Unsafe Images … For Now
arxiv.org	Challenging Forgets: Unveiling the Worst-Case Forget Sets in Machine Unlearning
arxiv.org	Revisiting Zeroth-Order Optimization for Memory-Efficient LLM Fine-Tuning: A Benchmark
arxiv.org	SalUn: Empowering Machine Unlearning via Gradient-based Weight Saliency in Both Image Classification and Generation
browse.arxiv.org	DeepZero: Scaling up Zeroth-Order Optimization for Deep Model Training
arxiv.org	Model Sparsity Can Simplify Machine Unlearning
arxiv.org	Selectivity Drives Productivity: Efficient Dataset Pruning for Enhanced Transfer Learning
arxiv.org	Robust Mixture-of-Expert Training for Convolutional Neural Networks
proceedings.mlr.press	Linearly Constrained Bilevel Optimization: A Smoothed Implicit Gradient Approach
arxiv.org	Patch-level Routing in Mixture-of-Experts is Provably Sample-efficient for Convolutional Neural Networks
arxiv.org	Understanding and Improving Visual Prompting: A Label-Mapping Perspective
arxiv.org	Text-Visual Prompting for Efficient 2D Temporal Video Grounding
openreview.net	What Is Missing in IRM Training and Evaluation? Challenges and Solutions
openreview.net	Joint Edge-Model Sparse Learning is Provably Efficient for Graph Neural Networks
openreview.net	A Theoretical Understanding of Shallow Vision Transformers: Learning, Generalization, and Sample Complexity
openreview.net	TextGrad: Advancing Robustness Evaluation in NLP by Gradient-Driven Optimization
arxiv.org	Data-Model-Circuit Tri-Design for Ultra-Light Video Intelligence on Edge Devices
arxiv.org	CLAWSAT: Towards Both Robust and Accurate Code Models
arxiv.org	Fairness Reprogramming
arxiv.org	Advancing Model Pruning via Bi-level Optimization
arxiv.org	Distributed Adversarial Training to Robustify Deep Neural Networks at Scale
arxiv.org	Revisiting and advancing fast adversarial training through the lens of bi-level optimization
arxiv.org	Data-Efficient Double-Win Lottery Tickets from Robust Pre-training
arxiv.org	Linearity Grafting: How Neuron Pruning Helps Certifiable Robustness
arxiv.org	Revisiting Contrastive Learning through the Lens of Neighborhood Component Analysis: an Integrated Framework
openreview.net	Reverse Engineering of Imperceptible Adversarial Image Perturbations
openreview.net	How unlabeled data improve generalization in self-training? A one-hidden-layer theoretical analysis
openreview.net	How to Robustify Black-Box ML Models? A Zeroth-Order Optimization Perspective
openreview.net	Optimizer Amalgamation
openreview.net	Decentralized Learning for Overparameterized Problems: A Multi-Agent Kernel Approximation Approach
arxiv.org	Sign-MAML: Efficient Model-Agnostic Meta-Learning by SignSGD
arxiv.org	Sanity Checks for Lottery Tickets: Does Your Winning Ticket Really Win the Jackpot?
arxiv.org	When does Contrastive Learning Preserve Adversarial Robustness from Pretraining to Finetuning?
bdtechtalks.com	[TechTalks]
arxiv.org	MEST: Accurate and Fast Memory-Economic Sparse Training Framework on the Edge
arxiv.org	Adversarial Attack Generation Empowered by Min-Max Optimization
openreview.net	Why Lottery Ticket Wins? A Theoretical Perspective of Sample Complexity on Sparse Neural Networks
proceedings.mlr.press	Lottery Ticket Preserves Weight Correlation: Is It Desirable or Not?
arxiv.org	NPAS: A compiler-aware framework of unified network pruning and architecture search for beyond real-time mobile acceleration
arxiv.org	The Lottery Tickets Hypothesis for Supervised and Self-supervised Pre-training in Computer Vision Models
arxiv.org	Rate-Improved Inexact Augmented Lagrangian Method for Constrained Nonconvex Optimization
openreview.net	On Fast Adversarial Robustness Adaptation in Model-Agnostic Meta-Learning
openreview.net	Robust Overfitting May be Mitigated by Properly Learned Smoothening
openreview.net	Long Live the Lottery: The Existence of Winning Tickets in Lifelong Learning
openreview.net	Generating Adversarial Computer Programs using Optimized Obfuscations
arxiv.org	The Lottery Ticket Hypothesis for the Pre-trained BERT Networks
news.mit.edu	MIT News
arxiv.org	Training Stronger Baselines for Learning to Optimize
arxiv.org	Higher-Order Certification For Randomized Smoothing
arxiv.org	Adversarial T-shirt! Evading Person Detectors in A Physical World
arxiv.org	Practical Detection of Trojan Neural Networks: Data-Limited and Data-Free Cases
arxiv.org	An Image Enhancing Pattern-based Sparsity for Real-time Inference on Mobile Devices
arxiv.org	Fast Learning of Graph Neural Networks with Guaranteed Generalizability: One-hidden-layer Case
arxiv.org	Is There a Trade-Off Between Fairness and Accuracy? A Perspective Using Mismatched Hypothesis Testing
arxiv.org	Proper Network Interpretability Helps Adversarial Robustness in Classification
arxiv.org	Min-Max Optimization without Gradients: Convergence and Applications to Adversarial ML
arxiv.org	Adversarial Robustness: From Self-Supervised Pretraining to Fine-Tuning
arxiv.org	Towards Verifying Robustness of Neural Networks against Semantic Perturbations
arxiv.org	Sign-OPT: A Query-Efficient Hard-label Adversarial Attack
arxiv.org	An ADMM Based Framework for AutoML Pipeline Configuration
ojs.aaai.org	Towards Certificated Model Robustness Against Weight Perturbations
arxiv.org	ZO-AdaMM: Zeroth-Order Adaptive Momentum Method for Black-Box Optimization
ieeexplore.ieee.org	Generation of Low Distortion Adversarial Attacks via Convex Programming
arxiv.org	On the Design of Black-box Adversarial Examples by Leveraging Gradient-free Optimization and Operator Splitting Method
openaccess.thecvf.com	Adversarial Robustness vs. Model Compression, or Both?
arxiv.org	Topology Attack and Defense for Graph Neural Networks: An Optimization Perspective
arxiv.org	Fast Incremental von Neumann Graph Entropy Computation: Theory, Algorithm, and Applications
openreview.net	signSGD via Zeroth-Order Oracle
openreview.net	Structured Adversarial Attack: Towards General Implementation and Better Interpretability
openreview.net	On the Convergence of A Class of Adam-Type Algorithms for Non-Convex Optimization
arxiv.org	CNN-Cert: An Efficient Framework for Certifying Robustness of Convolutional Neural Networks
arxiv.org	AutoZOOM: Autoencoder-based Zeroth Order Optimization Method for Attacking Black-box Neural Networks
arxiv.org	Zeroth-Order Stochastic Variance Reduction for Nonconvex Optimization
ieeexplore.ieee.org	Ultra-Fast Robust Compressive Sensing Based on Memristor Crossbars
arxiv.org	Robust MRI reconstruction by smoothed unrolling (SMUG)
nature.com	Rethinking machine unlearning for large language models
ieeexplore.ieee.org	An Introduction to Bilevel Optimization: Foundations and applications in signal processing and machine learning
dx.doi.org	Reverse Engineering of Deceptions on Machine- and Human-Centric Attacks

Исправить

Конкуренты Готовность: 0%

Конкуренты в Яндексе

Кол-во: 0

Топ сайтов-конкурентов в Яндексе ?

Мы не нашли у вас конкурентов в Яндексе. Сайт или очень молодой или плохо продвигается.

Конкурентов в ТОП-10 Яндекса не нашлось.

Исправить

Конкуренты в Google

Кол-во: 0

Топ сайтов-конкурентов в Google ?

Конкуренты в Google тоже не найдены. Займитесь продвижением сайта!

Конкурентов в ТОП-10 Google не нашлось.

Исправить

ЗоЗПП: права потребителей Готовность: 100%

Нарушения

Не выявлены

Признаков дистанционной продажи товаров (интернет-магазина) не обнаружено — требования ЗоЗПП о раскрытии информации продавца к сайту не применяются. Нарушений нет.

ФЗ-149: рекомендательные технологии Готовность: 100%

Нарушения

Не выявлены

Рекомендательные блоки («с этим покупают», «похожие товары» и т.п.) на сайте не обнаружены — требования ст. 10.7 ФЗ-149 к сайту не применяются. Нарушений нет.

ФЗ-38: реклама Готовность: 100%

Нарушения

Не выявлены

Рекламных тематик с обязательными оговорками (медицина, БАД, кредиты и займы, новостройки) на сайте не обнаружено. Нарушений нет.

ФЗ-436: защита детей Готовность: 100%

Нарушения

Не выявлены

Признаков информационной продукции (новости, видео, книги, игры, курсы) не обнаружено — обязательная возрастная маркировка по ФЗ-436 сайту не требуется. Нарушений нет.

Поделитесь с друзьями:

Анализ страницы https://lsjxjtu.github.io/publications.html

Основное Готовность: 95%

Домен

Ответ сервера

Безопасность

Кодировка

Язык

Скорость загрузки

Объем документа

Ресурсы

Серверные заголовки

CMS

Веб-сервер

Мета-теги Готовность: 22%

Title

Description

Keywords

Канонический Url

Robots

Адаптивность

Разметка OpenGraph

Все мета-теги

Оптимизация Готовность: 70%

Структура

Контент

Заголовки

Тошнота

Академич. тошнота

Семантическое ядро

Индексация Готовность: 0%

Индексирование

Robots.txt

Sitemap

Внутренние ссылки

Внешние ссылки

Конкуренты Готовность: 0%

Конкуренты в Яндексе

Конкуренты в Google

ЗоЗПП: права потребителей Готовность: 100%

Нарушения

ФЗ-149: рекомендательные технологии Готовность: 100%

Нарушения

ФЗ-38: реклама Готовность: 100%

Нарушения

ФЗ-436: защита детей Готовность: 100%

Нарушения

Вердикт