- 综合排序
- 最热优先
- 最新优先
- 来自专栏算法进阶
Graph图Transformer前沿进展研究！
图神经网络Transformers是一项机器学习的最新进展，提供了一类用于图结构数据的新型神经网络模型。Transformers与图学习的结合在各种图相关任务中表现出强大的性能和多功能性。 本综述对图Transformers研究的最新进展和挑战进行了深入的回顾。 从信息提取到推荐系统等应用都受益于GNN对知识图谱的建模[10]。 最近，作为新兴且强大的图学习方法，图Transformer在学术界和工业界都引起了极大的关注[11],[12]。 现有的综述未能充分涵盖图Transformer的最新进展和全面应用。此外，大多数综述未能提供系统的图Transformer模型分类。 为了填补这些空白，本综述旨在从设计和应用视角全面系统地回顾图Transformer研究的最新进展和挑战。
1.6K10编辑于 2024-07-31 - 来自专栏算法进阶
因果机器学习的前沿进展综述
2 因果机器学习相关工作介绍 因果问题已成为机器学习重要且前沿的研究领域。
2.6K40编辑于 2023-09-15 - 来自专栏博文视点Broadview
多模态知识图谱前沿进展
如图10所示，该工作使用了不同神经编码器学习实体和多模态数据的嵌入表示，同时在这个基础之上，将生成的向量表示作为属性生成任务的输入，以生成缺失的多模态属性，例如文本和图像等属性信息等。 图10 多模态关系预测与推理 多模态数据的另一个作用是用来提升知识图谱补全的效果。例如，可以为每个实体设置两种知识表示：基于结构的表示和基于图像的表示，并联合训练图像模型和结构知识模型。 书单 | 8月新书榜单TOP10 阿里云专家带你揭秘云计算数据底座 小白也能2周搞定3个月的Web开发任务！ ▼点击阅读原文，查看本书详情~
1.5K20编辑于 2023-05-06 - 来自专栏小汪Waud
前沿进展追踪的几种方法
where this frontier is. https://www.science.org/content/article/how-keep-scientific-literature 除了学习经典，跟踪前沿也是研究生的必修课之一 ，下面分享一些笔者进入实验室两年以来所学习的一些追踪前沿文献的方法。 期刊官网/RSS订阅 Google Scholar Twitter 微信公众号 期刊官网 / RSS订阅 定期浏览期刊官网永远是最全面的跟踪前沿文献的方式，读的越多，收获越多。 强烈推荐两位杰出的青年科学家：Tatsuya Nobori @nobolly 与 Pingtao Ding (he/him) @sardineboy_DING，他们热衷于分享最前沿最有趣的植物科学研究进展 但公众号的主要问题是： 发文主观性强：通常小编是哪个圈子就关注哪个圈子的前沿。 不同公众号涉及的内容存在一定重叠。
79620编辑于 2024-06-18 - 来自专栏一点人工一点智能
多模态知识图谱前沿进展
如图10所示，该工作使用了不同神经编码器学习实体和多模态数据的嵌入表示，同时在这个基础之上，将生成的向量表示作为属性生成任务的输入，以生成缺失的多模态属性，例如文本和图像等属性信息等。 图10 多模态关系预测与推理 多模态数据的另一个作用是用来提升知识图谱补全的效果。例如，可以为每个实体设置两种知识表示：基于结构的表示和基于图像的表示，并联合训练图像模型和结构知识模型。
1.6K20编辑于 2022-12-27 - 来自专栏3D视觉从入门到精通
IROS 2020 | 跨视角语义分割前沿进展
潘柏文，麻省理工学院计算机科学与人工智能实验室博士二年级在读，师从Prof. Aude Oliva。2019年本科毕业于上海交通大学电子工程专业。他的研究兴趣包括计算机视觉和机器学习。
73630发布于 2020-11-11 - 来自专栏AI科技评论
旷视首席孙剑：视觉计算前沿进展
作者 | 蒋宝尚 编辑 | 丛末 5月8日上午，旷视首席科学家、西交大人工智能学院院长孙剑博士在线做了一场“视觉计算的前沿进展”的报告，报告是由「信息技术新工科产学研联盟」主办的人工智能教育线上公开课 除此之外，孙剑提到物体检测中的遮挡问题是计算机视觉中非常前沿的研究，如果一张照片中有两个人，一个人被另一个人部分遮挡，虽然人类的眼睛非常容易分辨出，但是因为包含推理，所以对于计算机来说是个非常困难的问题
92320发布于 2020-05-14 - 来自专栏算法进阶
贝叶斯机器学习前沿进展的综述
本文总结了贝叶斯方法在机器学习中的最新进展，具体内容包括贝叶斯机器学习的基础理论与方法、非参数贝叶斯方法及常用的推理方法、正则化贝叶斯方法等。 (9) 通过最大化该对数似然下界： (10) 或者最小化 和 之间的KL散度，就可以完成优化求解的过程。 可喜的是近期在大数据贝叶斯学习（big Bayesian learning, BigBayes）方面取得了显著的进展。下面简单介绍在随机算法及分布式算法方面的进展，并以我们的部分研究成果作为示例。 表１所示为对目前的若干前沿进展简要总结： 5.1 随机梯度及在线学习方法 当数据量较大时精确的算法往往耗时较长，不能满足需要。一类常用的解决方案是采用随机近似算法［60－61］。 近期的主要进展包括随机变分贝叶斯方法［61］以及多种利用模型特性的快速改进算法［64］［64］。
1K20编辑于 2023-08-28 - 来自专栏机器学习与推荐算法
350篇文献总结可信推荐系统前沿进展
推荐系统作为以人为本的人工智能技术的最前沿应用，被广泛部署在网络世界的每个角落，其大大提高了人类的决策效率。 一个前沿的例子是P5--NLP模型一统推荐系统？ 最后，本部分讨论了可解释性与其他可信维度的关系，比如因果可解释性、可控解释性、无偏可解释性等前沿问题。 最后，本节讨论了分布式系统中的隐私--一文梳理联邦学习推荐系统研究进展、可解释人工智能与隐私等开放性问题。 然后，从可解释性、公平性、隐私性、可控性和鲁棒性等方面介绍和讨论可信推荐系统的最新研究进展。介绍了每个要素的基本思想，详细综述了针对每个要素的现有方法，并从交叉角度对未来的研究方向进行了展望。
1.2K20编辑于 2022-10-31 - 来自专栏达达前端
前端技术前沿10
允许用户从NPM服务器下载别人编写的第三方包到本地使用。 允许用户从NPM服务器下载并安装别人编写的命令行程序到本地使用。 允许用户将自己编写的包或命令行程序上传到NPM服务器供别人使用。
1.9K30发布于 2019-07-03 - 来自专栏新智元
邓侃解读：深度学习病历分析前沿进展
让文字转换为张量，有助于更精准的预测；医学知识图谱，让我们能够清晰、量化地定义疾病表型；将图像也编码成张量，构建统一的患者画像，完整表达病情描述，实现临床导航和发病预测……曾经是冷门中的冷门，正在迎来一个又一个的进展 2018年2月，佛罗里达大学的几位学者，梳理了这个领域的前沿进展，在 Arxiv 上发表了一篇综述，题为 “Deep EHR: A Survey of Recent Advances in Deep LearningTechniques 一句话的总结：深度学习技术，让病历分析取得突破性进展。 相关论文 地址：https://arxiv.org/abs/1706.03446
1.2K100发布于 2018-03-21 - 来自专栏机器人网
【前沿】微软人工智能取得新进展
在云计算和机器学习技术进步的帮助下，这方面的工作正在迅速取得进展。 ? 虽然我们的超级计算机可以在一秒内进行数百亿次运算，但是要求它们解释周围环境，使用简单的语言进行表达几乎是不可能的事情。
62970发布于 2018-04-13 - 来自专栏媒矿工厂
视频技术10大进展@2020
媒矿工厂盘点了本年度视频技术的一些代表性技术，总结成以下10个方面。 1.新一代视频编码标准正式公布 ? 英伟达率先发力，Facebook紧跟其后，核心技术在于GAN人脸生成技术的进展，将其应用在视频会议特定领域，也是顺利成章。 /21/networking-traffic/how-facebook-is-bringing-quic-to-billions/ 【10】https://blog.chromium.org/2020/ 10/chrome-is-deploying-http3-and-ietf-quic.html 5.视频流媒体核心技术ABR算法研究平台及新Benchmark ? 将Transformer扩展应用到low-level问题上，也有不错的进展。北大的预训练IPT占领多个图像恢复任务的榜首；东南的ConvTransformer率先用于视频帧合成。
1.7K40发布于 2021-01-11 - 来自专栏DotNet NB && CloudNative
.NET 10 进展之 CoreCLR Interpreter
我们从前一阵子 Maui 几个被离职的Mono 工具链相关的微软员工来说起，通过现象看本质，这意味着.NET 10 将完成对Mono的完全替代。. NET 10 特性中有一个 @dotnet/runtime/issues/112158 CoreCLR Interpreter, 将 Mono 的解释器（interpreter）移植到 CoreCLR 的工作进展和目标。 六、CoreCLR Interpreter 最新进展 虽然CoreCLR Interpreter在目标和功能上已经能够替代Mono Interpreter，但在某些特定场景下，Mono Interpreter CoreCLR Interpreter的进展与任务拆解 @dotnet/runtime/issues/112158 CoreCLR Interpreter 任务被分成多个阶段（M1-M6），每个阶段完成了一系列具体的功能
32600编辑于 2025-06-28 - 来自专栏张善友的专栏
.NET 10 进展之 CoreCLR Interpreter
我们从前一阵子 Maui 几个被离职的Mono 工具链相关的微软员工来说起，通过现象看本质，这意味着.NET 10 将完成对Mono的完全替代。. NET 10 特性中有一个 @dotnet/runtime/issues/112158 CoreCLR Interpreter, 将 Mono 的解释器（interpreter）移植到 CoreCLR 的工作进展和目标。 六、CoreCLR Interpreter 最新进展 虽然CoreCLR Interpreter在目标和功能上已经能够替代Mono Interpreter，但在某些特定场景下，Mono Interpreter CoreCLR Interpreter的进展与任务拆解 @dotnet/runtime/issues/112158 CoreCLR Interpreter 任务被分成多个阶段（M1-M6），每个阶段完成了一系列具体的功能
53410编辑于 2025-05-26 - 来自专栏AI科技评论
IEEE Fellow梅涛：视觉计算的前沿进展与挑战
1 计算机视觉的进展与挑战 上图是计算机视觉在过去五六十年取得的进展，2012年深度学习“大火”之前，计算机完成视觉任务通常有两个步骤：特征工程和模型学习。 万次引用；2015年的ResNet更是在更短的时间获得了接近10万次的引用。 过去10~20年，视觉感知领域存在很多主题。 推理方面进展如何？ ---- 推荐阅读 GAIR 2021大会首日：18位Fellow的40年AI岁月，一场技术前沿的传承与激辩 2021-12-10 致敬传奇：中国并行处理四十年，他们从无人区探索走到计算的黄金时代 |
59710编辑于 2023-04-12 - 来自专栏华章科技
智能驾驶大数据前沿研究进展与典型应用
03 前沿研究 面对上述问题，云边端协同处理模式显示出了巨大潜力。
1.2K20编辑于 2022-06-07 - 来自专栏亨利笔记
可信联邦学习前沿论文与最新进展
香港科技大学计算机与工程系讲座教授和前系主任、中国人工智能学会（CAAI）荣誉副理事长杨强教授带领四篇可信联邦学习最新论文的作者，对该领域的前沿研究进行了详细的介绍。 杨强教授系统性地回顾了联邦学习的进展和面临的挑战。联邦学习是人工智能和隐私计算的重要交集，能够突破目前人工智能过度依赖中心化数据的瓶颈，在原始数据和模型私密参数都不动和不可见的前提下完成机器学习任务。 而后以下四篇论文作者从不同角度详细介绍了可信联邦学习的前沿成果。 dl.acm.org/doi/abs/10.1145/3534678.3539402 详细解读文章链接： 一种基于随机掩码的联邦线性回归思路 香港科技大学计算机学院在读博士生柴迪介绍了《FedSVD：10 FedSVD方案的效率比同态加密提高四个数量级，误差比差分隐私方案小10个数量级。
87030编辑于 2023-04-04 - 来自专栏人工智能头条
深度学习在计算机视觉领域的前沿进展
图1 Yann LeCun 对监督学习，增强学习和无监督学习的价值的形象比喻 本文结合笔者最近看的一些论文和文章，给出一个深度学习在计算机视觉领域的前沿进展的一个简介，如有错误或瑕疵，请留言告知，不胜感激 深度有监督学习在计算机视觉领域的进展 图像分类（Image Classification） 自从Alex和他的导师Hinton（深度学习鼻祖）在2012年的ImageNet大规模图像识别竞赛（ILSVRC2012 ）中以超过第二名10个百分点的成绩(83.6%的Top5精度)碾压第二名（74.2%，使用传统的计算机视觉方法）后，深度学习真正开始火热，卷积神经网络（CNN）开始成为家喻户晓的名字，从12年的AlexNet 该领域是一个仍在进展的领域，仍旧有很大的进步空间。 ? 图10 根据文字来生成图片 条件生成对抗网络的另一篇有意思的论文是图像到图像的翻译，该论文提出的模型能够根据一张输入图片，然后给出模型生成的图片，下图是论文中的一张图，其中左上角第一对非常有意思，模型输入图像分割的结果
1.2K30发布于 2018-06-06 实时实例分割与无监督学习的前沿进展
计算机视觉：Yong Jae Lee推动实时实例分割与无监督学习的前沿研究理解我们万花筒般的视觉世界是计算机科学家数十年来的重大挑战。因为视觉远不止是"看见"。 正在取得巨大进展。"深度学习革命Lee表示，向无监督学习的转变是由深度学习革命带来的。在这种范式下，开发的ML算法可以从大量原始未标注数据中提取相关信息。
20510编辑于 2025-10-31
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号