- 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。 它们从数据中捕捉结构和语义信息，促进了推荐系统[2]、问答系统[3]、异常检测[4]、情感分析[5]、文本生成[6]和信息检索[7]等任务的发展。 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。 这些问题与因果理论的关系如图2所示，将分别进行介绍。 图 2 因果机器学习的主要研究问题总览 2.1 可解释性问题 机器学习模型会计算并产生输出，但一般不解释为何得出此输出。 表 1 因果方法在可解释性问题上的应用 图 2 反事实解释示例 图 3 反事实图像混合示例 2.2 可迁移性问题 机器学习模型通过分布内泛化，基于特定训练集在验证集或测试集上验证性能。 表 2 因果方法在可迁移性问题上的应用 图 4 3 类反因果迁移问题的因果图 2.3 鲁棒性问题 迁移学习帮助模型在目标环境中，利用有限的数据进行适应。 表 3 因果方法在鲁棒性问题上的应用 图 5 视觉对话任务的因果图和 2 种校准策略 图 6 不变性学习方法的因果图 2.4 公平性问题 在机器学习领域，公平性是指在对特定敏感特征如性别、年龄、
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
2．System 1和System 2 先来看一些观点。 逻辑分析系统System2，是有意识的、带逻辑、负责规划和推理以及可以用语言表达的系统，这方面深度学习能力还很有限，而知识图谱关注的正好是这部分的系统。 图1 System1 和 System2 的融合 3．知识图谱：衔接感知与认知 认知科学家道格拉斯·霍夫施塔特有一个观点认为“记忆是高度重建的。 2．多模态知识问答 前面介绍过知识图谱问答可以和视觉问答任务相互补充。利用外部知识库增强视觉问答的效果也是近年来比较受关注的研究领域。 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
2．System 1和System 2 先来看一些观点。 逻辑分析系统System2，是有意识的、带逻辑、负责规划和推理以及可以用语言表达的系统，这方面深度学习能力还很有限，而知识图谱关注的正好是这部分的系统。 图1 System1 和 System2 的融合 3．知识图谱：衔接感知与认知 认知科学家道格拉斯·霍夫施塔特有一个观点认为“记忆是高度重建的。 图7 IMGpedia的本体设计 2．MMKG MMKG是一个融合有实体的结构化属性、数值特征（如实体坐标位置）和对应图像三种要素的多模态知识图谱。 2．多模态知识问答 前面介绍过知识图谱问答可以和视觉问答任务相互补充。利用外部知识库增强视觉问答的效果也是近年来比较受关注的研究领域。
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
但传统的 2D 分割还是有一定的局限性，比如我们很难从 2D 图像中直接获知物体的空间位置，以及其在整体空间中的布局。 这很直观，因为 2D 图像捅破天也只有 2D 信息，想知道整体空间的位置信息还是需要更多的 3D 信息。事实上，这件事已经有相当一部分人在做了。 然而 3D 数据往往又面临着极为昂贵的计算成本与数据采集和标注的成本，不像 2D 数据有一台手机就能采集，对于标注人员来说也不如 2D 图像的标注来的那么直观。 方法介绍 那么我们能不能依旧基于2D图像，让机器人对于整个空间中物体的坐标有更好的感知？ 答案是肯定的。 跨视角语义分割与传统 2D 语义分割的区别在于我们得到的不再是一张与原图逐像素对应的语义图，而是一张俯视视角下看到的周围环境的语义图。
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 2、计算机视觉，核心问题可以归纳为：分类、检测、分割以及序列。 卷积神经网络第二个核心是“深度”，其有两个障碍：1.深度神经网络如果过深则无法训练；2.实验结果难以复现。 还介绍了 objects365 V2 数据库，其包含365种常见物体，2百万张图像，2.8千万个人工标注框。 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。 第２名及以后的顾客有两种情况：1. 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 - 来自专栏新智元
邓侃解读：深度学习病历分析前沿进展
，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 老套路，word2vec。外加一些改进，譬如 autoencoder。 数值张量有多神奇？“胃痛” 与 “腹泻”，无一字相同，但是两个张量，距离相近。 多模态，2. 数据缺失，3. 时间跨度不一致，4. 脱敏。 多模态的问题，已经基本解决。把文字、音频、像素，全部编码成统一的数值张量。 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 - 来自专栏育种数据分析之放飞自我
遗传进展系列 | 2. 遗传进展公式
这就要计算遗传进展。 问题来了，如何计算遗传进展呢？ 如果你搜资料，你可以看到，不同的材料，计算公式不同，包括的元素不同。这就给初学者带来很多困扰，感觉结果就在眼前，有感觉无从下手。 遗传进展，可以表现为每个世代平均育种值的变化。 ❝参考文献：https://excellenceinbreeding.org/sites/default/files/manual/EiB-M2_Breeding%20process%20assessment-Genetic %20Gain_04-05-20_0.pdf❞ 2. 遗传进展是选择响应除以世代间隔。 下一篇介绍实际分析中，如何手动计算遗传进展。 大家好，我是邓飞，一个持续分享的农业数据分析师
1.9K20编辑于 2022-04-06 - 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。 特定领域进展如何？在图像识别领域，最广为人知莫过于ImageNet竞赛。其任务是给定一张图，预测出五个相关的标签。 2.同样的语义，在视频中会有不同的含义。例如不同语气和不同表情下对同一个词的输出。 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 - 来自专栏达达前端
前端技术前沿2
child: Child } data = { list: [{id: 1, title: 'title1'}, {id: 2, title: 'title2'}] } } </script> data = { a: 1 } //计算属性aPlus，在脚本中可通过this.aPlus来引用，在模板中可通过 { components = {}; data = {}; methods = {}; events = { 'some-event': (p1, p2,
89140发布于 2019-07-03 - 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
2. 高效性 车联网技术中一项典型应用即精确导航。 2. 2）数据聚合与处理 在输入源数量大、异构性强、性能不统一的复杂情况下，对多元化数据进行有效聚合、处理便是下一步。 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。 2.
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。 杨强教授简要介绍了可信联邦学习的前沿研究成果：No-free lunch定理，为隐私计算安全与效能的平衡提供定量分析的方法；FedCG，利用生成对抗网络和分割学习，既保护隐私又保障性能；FedBCD，提高 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。
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 图2 2010-2015年ILSVRC竞赛图像识别错误率演进趋势 图像检测（Image Dection） 伴随着图像分类任务，还有另外一个更加有挑战的任务–图像检测，图像检测是指在分类图像的同时把物体用矩形框给圈起来 深度学习检测速度也越来越快，从最初的RCNN模型，处理一张图片要用2秒多，到Faster RCNN的198毫秒/张，再到YOLO的155帧/秒（其缺陷是精度较低，只有52.7%），最后出来了精度和速度都较高的 该领域是一个仍在进展的领域，仍旧有很大的进步空间。 ?
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。 对我们实验室特别有益的是某机构的EC2。在关键时刻，当我们需要运行许多不同实验时，我们可以并行进行。EC2上机器的可扩展性和可用性对我们的研究非常有帮助。" 以Dalle-2的骑马宇航员为例。这种语义概念在现实世界中并不真正存在，对吧，但这些系统可以构建恰好如此的合理图像。"Lee表示，从这里得到的教训是，数据的力量难以否认。
20510编辑于 2025-10-31- 来自专栏量化投资与机器学习
【RL前沿】深度强化学习的最新进展
今天编辑部给大家带来的是加州大学伯克利分校的深度强化学习公开课系列。 作者：Volodymyr Mnih Google DeepMind科学家。 在Geoffrey Hinton的指导下完成了多伦多大
1.6K100发布于 2018-01-29 - 来自专栏智药邦
基因泰克团队：机器学习辅助分子生成前沿进展概述
Machine Intelligence上发表文章Machine learning-aided generative molecular design，全面概述了当前利用机器学习模型进行分子设计的最新技术进展 图2 生成任务、生成策略和分子表征的图解 分布学习 分布学习在药物发现中有两种主要应用。首先，它可以根据学习到的分子分布构建有针对性的虚拟筛选库。 未来方向 尽管生成式分子设计在加速早期药物发现方面取得了显著进展，但仍面临诸多挑战，如超出分布范围的生成、不切实际的问题表述、低保真、缺乏统一的评估协议和大规模研究等。
78610编辑于 2024-07-06
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