[SRE](/wiki/SRE)においては[トイル](/wiki/トイル)は50%以下を目指すルールがある。

50%ルール

裏切り者がいるかもしれない時に、どのように分散的に合意するかという問題。

転じて、間違う可能性のある分散システム上でどのようにデータに合意するか、という問題の基本的なバージョンと考えられる。

かの有名なLamport先生を含む3人が1980年の論文で合意問題として定式化したらしい。

https://dl.acm.org/doi/10.1145/322186.322188

最初の解決策も1982年にLamport先生たちが論文を出した。

https://dl.acm.org/doi/10.1145/357172.357176

この問題は裏切り者が1/3以上いる場合は解決出来ないことが知られている。

この合意が取れるシステムはビザンチン障害耐性 (Byzantine Fault Tolerance) があると言う。

分散システムの問題なので[暗号通貨](/wiki/暗号通貨)でもよく語られる問題である。

ビザンチン合意


可能な限りチームメンバーに仕事を移譲し、自身はチームメンバーが円滑に仕事をすることができるように仕えるというやり方



サーバントリーダーシップ


[グラフ理論](/wiki/グラフ理論)における[グラフ](/wiki/グラフ)の定義から、[頂点](/wiki/頂点)の組の集合。


[VAE](/wiki/VAE)的なやつ

入力 -> エンコーダー -> 潜在空間 -> デコーダー -> 出力

という形のやつ

エンコーダーデコーダーモデル


拡散モデル

[エンコーダーデコーダーモデル](/wiki/エンコーダーデコーダーモデル)で、ノイズを混ぜた画像からノイズ無しの画像を推論する訓練をすることで、最終的には無から画像を生成できる

モデルは[VAE](/wiki/VAE)

Diffusionモデル

[ZK-SNARK](/wiki/ZK-SNARK)と呼ばれる手法で即座に不正かどうかを検証するような[Rollup](/wiki/Rollup)手法のこと。

ZK_Rollup

## 概要  
  
「ソフトウェアテストをカイゼンする50のアイデア」  
  
http://www.eijipress.co.jp/book/book.php?epcode=2085  
  
[Attribute_Component_Capability](/wiki/Attribute_Component_Capability)

ソフトウェアテストをカイゼンする50のアイデア


[グラフ](/wiki/グラフ)において、最小で何個の頂点を取り除くと[非連結グラフ](/wiki/非連結グラフ)になるか、という数。

連結度


[グラフ理論](/wiki/グラフ理論)における[グラフ](/wiki/グラフ)の定義から、[辺](/wiki/辺)の集合ではない方の集合。

頂点


[Zettelkasten](/wiki/Zettelkasten)をデジタルでやるフレームワークらしい。

基本的には[Zettelkasten](/wiki/Zettelkasten)に従いつつ、以下の要素を加える。

- Map Of Contentsを作る。
	- ノートを繋ぐリンク集のようなノート。
	- ノートが100を超えたあたりから意識する。
- Homeノートを作る。

参考
https://www.linkingyourthinking.com/


Link_Your_Thinking

大手取引所の[Binance](/wiki/Binance)が発行している[暗号通貨](/wiki/暗号通貨)。

[Binance_Smart_Chain](/wiki/Binance_Smart_Chain)という[Ethereum](/wiki/Ethereum)互換チェーンで使われる。




モノリスからサービスベースアーキテクチャを経てマイクロサービスへ移行していくためのやり方のうちの一つで、以下の様な手法。

- まずは[リファクタリング](/wiki/リファクタリング)し、モジュールを分けていく。
- 分けられたモジュールをサービスに切り出す。

[戦術的フォーク](/wiki/戦術的フォーク)と比べて以下の様なメリットがある。

- 不要なコードは生まれない
- ロジックが綺麗になる

コンポーネントベース分解


[エイジドマンデリン](/wiki/エイジドマンデリン)とは違うのかな？

マンデリン


[機械学習](/wiki/機械学習)においては[中間層](/wiki/中間層)の変数のこととほぼ同義

中間層はだいたい入力より次元が低く、その次元で入力の特徴を捉えるようにチューニングするので、入力の特徴だけを捉えたものになる

関連：[潜在空間](/wiki/潜在空間)

潜在変数

<p><a href="/wiki/%E6%A9%9F%E6%A2%B0%E5%AD%A6%E7%BF%92">機械学習</a>において入力層でも出力層でもないやつ</p>
