- 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。 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。 因果理论的引入为公平性研究起到了极大地推动作用，许多概念必须借助因果的语言才能表达，如表 4 所示： 表 4 因果方法在公平性问题上的应用 机器学习公平性研究与因果关系密切相连，因果理论在此领域发挥着不可替代的作用
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
4．知识图谱的多模态本质 再来看多模态的概念。模态可以理解为某种类型的信息和（或）存储信息的表示形式，每一种信息的来源或者形式都可以称为一种模态。例如，人有触觉、听觉、视觉、味觉和嗅觉。 但如果这段新闻还配有对应的图片，同时知识图谱中李娜实体也关联对应的照片，则能通过图片对齐来提升实体消歧的效果，如图4所示。 图4 多模态知识的实体消歧 3．跨模态的语义搜索 进一步，假如能够将多种模态数据与知识图谱中对应的实体实现正确的实体链接，就可以实现跨多种模态的语义搜索。 图5 跨模态的语义搜索 4．利用多模态数据补全知识图谱 既然可以通过知识抽取技术从文本中抽取有价值的信息补全知识图谱，当然也可以从图片、视频和时序数据中抽取有价值的信息用来补全知识图谱。 图12 Mucko：基于事实的视觉问答 图13 将场景图和知识图谱融合解决视觉识别问题 4．多模态知识图谱推荐 多模态信息当然也可以用来提升推荐系统的效果。
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
4．知识图谱的多模态本质 再来看多模态的概念。模态可以理解为某种类型的信息和（或）存储信息的表示形式，每一种信息的来源或者形式都可以称为一种模态。例如，人有触觉、听觉、视觉、味觉和嗅觉。 但如果这段新闻还配有对应的图片，同时知识图谱中李娜实体也关联对应的照片，则能通过图片对齐来提升实体消歧的效果，如图4所示。 图4 多模态知识的实体消歧 3．跨模态的语义搜索 进一步，假如能够将多种模态数据与知识图谱中对应的实体实现正确的实体链接，就可以实现跨多种模态的语义搜索。 图5 跨模态的语义搜索 4．利用多模态数据补全知识图谱 既然可以通过知识抽取技术从文本中抽取有价值的信息补全知识图谱，当然也可以从图片、视频和时序数据中抽取有价值的信息用来补全知识图谱。 图12 Mucko：基于事实的视觉问答 图13 将场景图和知识图谱融合解决视觉识别问题 4．多模态知识图谱推荐 多模态信息当然也可以用来提升推荐系统的效果。
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 图注：基本的检测框架：1.输入图像；2.通过骨干网络得到候选框；3.候选框得出局部区域；4.通过检测头；5、得到结果。 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。 贝叶斯模型选择通过比较不同族模型的似然函数来选取最优的： (4) 当没有明显先验分布的情况下， 被认为是均匀分布．通过式（4）的积分运算，贝叶斯模型选择可以避免过拟合。 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 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。换句话说，数值张量是超越语言音频图像的数学语言，可以表述各种模态的语义。 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 - 来自专栏达达前端
前端技术前沿4
mpvue.com/ 3：组件化开发框架wepy Github地址: https://github.com/Tencent/wepy 官网地址： https://tencent.github.io/wepy 4： weapp.iviewui.com/ 8：ZanUI-WeApp -- 一个颜值高、好用、易扩展的微信小程序 UI 库 https://cnodejs.org/topic/589d625a5c8036f7019e7a4a
85130发布于 2019-07-03 - 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。 推理方面进展如何？ 对一张简单图片的分解，计算机视觉系统应该能够同时进行以下工作：1.重建3D场景估算相机参数、材料和照明条件；2.以属性、流态和关系对场景进行层次分析；3.推理智能体（如本例中的人和狗）的意图和信念；4. ---- 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。 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 该领域是一个仍在进展的领域，仍旧有很大的进步空间。 ? 图4 图像分割的例子 图像标注–看图说话（Image Captioning） 图像标注是一项引人注目的研究领域，它的研究目的是给出一张图片，你给我用一段文字描述它，如图中所示，图片中第一个图，程序自动给出的描述是 下图是Goodfellow在发表生成对抗网络论文中的一些生成图片，可以看出，模型生成的模型与真实的还是有大差别，但这是14年的论文了，16年这个领域进展非常快，相继出现了条件生成对抗网络（Conditional
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- 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
v=bsuvM1jO-4w&feature=youtu.be 这次本期主题的PPT内容，希望大家有所收获。
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 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 - 来自专栏图与推荐
新人友好~「图神经网络前沿进展与应用」中文综述
学 习 能 力[2].诸 如 多 层 感 知 机 (MultilayerPerceptron,MLP)[3]、卷 积 神 经 网 络 (ConvolutionalNeuralNetwork,CNN)[4] 由于无法使用统一规整的算子对数据编排, 导致 CNN 等神经网络不能再直接对其进行诸如卷 积和池化等操作,也就不再有局部连接、权值共享、 特征抽象等性质[8].如何将 CNN 等深度学习算法 用于分析图结构数据上成为一个有挑战性和前沿性 适用范围、实现成本等进行了提炼 总结.在进行了相应的数据实验基础上,与其他基准 图算法进行了比对.本文在第2节中给出关于 GNN 的基本概念和定义;在第3节分门别类的给出 GNN 的主要模型和算法;在第4节 邻居节点分布不均衡使得每个中心节点的感受域大 小不一致.尽管可以通过添加“哑结点”和删除邻居 节点的方式保持数据大小和维度的一致,但是在特 征的聚集和融合中不可避免的会有信息损失现象发 生,而现有的采样方法还不能完全解决该问题. 4
1.1K20编辑于 2022-03-16
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