- 综合排序
- 最热优先
- 最新优先
- 来自专栏阿泽的学习笔记
【Embedding】Metapath2vec：异构网络表征
很多网络表征学习主要是针对同构网络的，而本文提出的一种专门用于异构网络表征学习的方法——Metapath2Vec，其能够同时捕捉不同类型节点之间的「结构关系」和「语义关系」。 针对同构网络设计的模型很多都没法应用于异构网络，比如说，对于一个学术网络而言：如何高效根据上下文信息表征不同类型的节点？能否用 Deepwalk 或者 Node2Vec 来学习网络中的节点？ 2.Metapath2Vec 为了对异构网络节点中的邻居进行建模，metapath2vec 引入了异构 skip-gram 模型。此外，为了捕获异构网络的结构，作者还提出了基于元路径的随机游走策略。 metapath2vec++ 聚类结果的可视化： ? 4.Conclusion 总结：本文定义了异构网络中表征学习问题，其存在不同类型的节点和边。 虽然，作者利用异构 Skip-gram 和异构负采样技术来学习节点的表征。Metapath2Vec++ 算法则是在计算 Softmax 时不考虑节点的类型。
3.5K30发布于 2020-07-21 - 来自专栏机器学习/数据可视化
图神经网络2-图表征学习
公众号：尤而小屋作者：Peter编辑：Peter图表征学习（Graph Representation Learning，也称之为图表示学习）是专门针对图数据域的技术，旨在将图结构中的节点转化为具有连续数值的向量表示 下面介绍3大图表征学习方法：传统图嵌入方法现代图嵌入方法图神经网络传统图嵌入方法图嵌入的2个目标：重建原始图结构和支持图推理。 传统图嵌入方法最初是作为降维技术进行研究的：对图距离矩阵使用多维尺度变换（Multi-Dimensional Scaling , MDS），基于Isomap学习的表征近似地保留了低维空间中节点之间的距离 采用拉普拉斯特征映射LE的思想保留一阶接近度M-NMF：模块化非负矩阵因子化模型（2）保留图属性的图表征学习重点：保留所有类型图的传递性和有符号图的结构平衡性带有侧面信息的图表征学习侧面信息可以分为两类 （2）异质图表征学习异质图由不同类型的节点和边组成。保留高级信息的图表征学习高级信息指的是特征任务中的监督或者伪监督信息。
1.1K00编辑于 2023-11-23 3D场景重建与跨模态表征学习技术解析
运动恢复结构技术针对影视内容中摄像机运动受限的特点，提出深度引导的稀疏运动恢复结构方法。 关键技术包括：双目标优化：联合优化2D重投影误差与深度估计误差，相比传统几何优化方法提升10%-30%性能指标深度估计融合：利用现成深度估计模型生成密集深度图，通过双线性插值获取关键点真实深度初始化优化 ：在3D场景结构和相机位姿初始化阶段即引入深度信息系统工作流程：输入视频→关键点检测与跟踪→深度图插值→3D结构重建跨模态表征学习改进CLIP框架的局限性，提出渐进式自蒸馏方法：软对齐机制：允许图像与非配对文本建立概率关联 负样本权重实验表明该方法在：图像分类任务：部分数据集超越CLIP 30%-90%跨模态检索：图文互检索任务持续优于基线泛化能力：成功识别训练集未包含的彩色玻璃金鱼图案左：CLIP强制硬对齐 右：本文的概率软对齐框架技术应用前景两项技术已应用于 ：影视后期：精确插入数字对象到实拍视频内容理解：构建通用视觉表征支持分类/检索任务质量保障：为视频流媒体提供底层技术支持
26810编辑于 2025-08-19- 来自专栏NLP小白的学习历程
什么是表征学习？
在机器学习中，特征学习或表征学习[1]是学习一个特征的技术的集合：将原始数据转换成为能够被机器学习来有效开发的一种形式。 这就要求特征学习技术的整体设计非常有效，自动化，并且易于推广。 特征学习可以被分为两类：监督的和无监督的，类似于机器学习。 在监督特征学习中，被标记过的数据被当做特征用来学习。 例如(无监督)字典学习，独立成分分析，自动编码，矩阵分解[2] ，各种聚类分析及其变形[3][4][5]。 监督特征学习 监督特征学习就是从被标记的数据中学习特征。大致有一下几种方法。 监督字典学习 总体来说，字典学习是为了从输入数据获得一组的表征元素，使每一个数据点可以（近似的）通过对表征元素加权求和来重构。字典中的元素和权值可以通过最小化表征误差来得到。 这个方案的优化目标包括最小化分类误差，表征误差，权值的1范数（L1正则化）和分类器参数的2范数。
1.7K20发布于 2020-11-13 - 来自专栏SIGAI学习与实践平台
网络表征学习综述
DeepWalk DeepWalk【2】是KDD 2014的一篇文章，这种方法的核心思想是，采用随机游走的方式，将网络结构节点之间的关系转化成句子，那么不同节点就代表不同的词，然后用自然语言处理中Word2Vec Node2Vec Node2Vec【3】是KDD 2016的一篇文章，Node2Vec的方法同样也是采用了随机游走和Skip-gram的学习方法，主要的创新点在于随机游走的策略。 在 Node2Vec方法中对随机游走向邻节点转移的概率做了调整。 ? 网络表征学习中的基本问题初探[J] 中国计算机学会通讯. 2018. 【2】 Perozzi, Bryan, Rami Al-Rfou, and Steven Skiena. "node2vec: Scalable feature learning for networks."
1.9K30发布于 2018-09-29 - 来自专栏GiantPandaCV
ICLR 2024 最新研究 DYST 技术让视频表征更精准、更智能
ICLR 2024 最新研究 DYST 技术让视频表征更精准、更智能 1. 论文信息 2. ^{c_2}, \ldots\} 。 作为目标帧，我们选择相机姿态 c_1, c_2 和动态 d_1, d_2 的所有组合对应的四个视图，即我们的目标视图集是 \{y_{d_1}^{c_1}, y_{d_1}^{c_2}, y_{ d_2}^{c_1}, y_{d_2}^{c_2}\} 。 讨论 论文提出的方法是一种先进的视觉表示学习技术，专注于从单目视频中提取和利用动态场景的3D结构和动态变化。
62710编辑于 2024-03-20 - 来自专栏AIoT技术交流、分享
Grasp2Vec：通过自我监督式抓取学习物体表征
受物体恒存概念的启发，Google提出了 Grasp2Vec，这是一种简单但非常高效的算法，可用于获取物体表征。Grasp2Vec 基于这样一种直觉，即抓起任何物体的尝试都会提供一些信息。 2.寻找目标对象 第二个属性是我们可以将场景空间图和对象嵌入结合起来，以确定 “查询对象” 在图像空间中的位置。 使用 Grasp2Vec 嵌入在场景中寻找物体。左上方的图像展示了箱子中的物体。左下方是我们希望抓取的查询对象。 结论 在这篇文章中，我们展示了机器人抓取技能如何生成用于学习对象中心表征的数据。然后，我们可以利用表征学习来 “引导” 机器人学习实例抓取等更复杂的技能，同时保留自主抓取系统的自我监督学习属性。 本文摘自Google最新的技术文章，结合自己的一些感悟略作调整。
68420发布于 2021-01-20 - 来自专栏又见苍岚
表征学习 Contrastive Loss
这种损失函数可以有效的处理孪生神经网络中的paired data的关系（形式上并不一定是两个Net，也可以是一个Net两个Out，可以认为上面示意图的 Network1 和 2 是同一个，或者不是同一个 表达式如下： L=\frac{1}{2 N} \sum_{n=1}^{N} y d^{2}+(1-y) \max (\operatorname{margin}-d, 0)^{2} 其中 d=\left |a_{n}-b_{n}\right|_{2} 代表两个样本特征的欧氏距离，y为两个样本是否匹配的标签，y=1代表两个样本相似或者匹配，y=0则代表不匹配，margin为设定的阈值。 当 y=1（即样本相似）时，损失函数只剩下 ∑yd^2，即原本相似的样本，如果在特征空间的欧式距离较大，则说明当前的模型不好，因此加大损失。 blog-53149760.pc_relevant_scanpaymentv1&depth_1-utm_source=distribute.pc_relevant_t0.none-task-blog-2~
74710编辑于 2022-08-09 - 来自专栏测试GO材料测试
前沿实验室丨形貌与晶体结构表征技术全解析
前沿实验室形貌与晶体结构表征技术全解析在新能源材料研发的赛道上，每一次突破都始于对材料微观世界的精准洞察。 测试GO前沿实验室依托国际领先的表征平台，提供创新的前沿表征方案与技术支持，打造五大"科研利刃"，帮助您发掘新质内容，实现科研突破，提升论文档次，迈向学术高峰。 二维X射线衍射（2D XRD）传统一维XRD如同单色滤镜，只能捕捉材料的局部衍射信息；而二维XRD借助同步辐射光源构建三维衍射空间，将散射信号转化为可视化的衍射斑点矩阵，犹如为材料打造了一台"立体CT" 原位监测技术通过在电化学池中集成光学显微镜、质谱仪或X射线成像系统，实现对电极表面状态的全流程追踪。 相较于离线表征，原位技术能捕捉瞬态反应特征，区分主反应与副反应的贡献，为抑制枝晶生长、延长电池寿命提供关键动力学参数。
47810编辑于 2025-08-14 - 来自专栏测试GO材料测试
表征技术：飞行时间二次离子质谱（TOF-SIMS）
飞行时间二次离子质谱（TOF-SIMS）是一种结合二次离子质谱与飞行时间质量分析器的表面表征技术。 该技术由Beninghoven教授团队于20世纪80年代初首次研制，后经多次迭代升级，在分析性能、数据处理效率及软件操作性方面均取得显著提升。如今，TOF-SIMS已成为成熟且应用广泛的表征手段。 技术迭代后，Ga⁺、Au⁺（含Au₃⁺）及C60⁺成为过渡性离子源。 采集速度快（频率可达 50 kHz），采集范围广（µm2–mm2）可以提供宏观到微观的化学成像信息。 图2.TOF-SIMS 功能介绍图其三维成像分析是将质谱分析、化学成像和深度剖析三个方面的功能结合起来，从而可以对样品进行三维结构的可视化分析。
69910编辑于 2025-10-24 语音识别技术前沿：自监督学习与声学表征新突破
语音识别的演进与挑战二十年前，自动语音识别技术主要集中于小规模封闭词汇识别，例如连接数字识别系统。如今，深度学习模型已成为主流，数百万用户通过语音助手或手机转录软件将语音转换为文本。 两大前沿技术趋势自监督学习机制自监督学习使系统能够自我生成训练数据，无需人工标注。该方法借鉴了自然语言处理中BERT模型的成功经验，通过随机掩码语音片段并训练模型预测缺失部分。 新型声学表征传统梅尔频谱基于信号处理和人耳听觉机制，而新型表征不假设信号特定结构，在语音识别和合成中表现更优。最有效的表征基于自监督学习，通过无标注输入定义辅助任务生成伪标注训练数据。 技术实现与应用对比学习框架采用Barlow twins对比学习框架，使同一说话人或音素的信号在表征空间中相近，其他样本相远。 未来展望语音信号作为最平凡却又最复杂的信号之一，其技术发展仍充满探索空间。自监督学习与新型表征方法的结合，为多语言识别、自适应学习等方向开辟了新路径，持续推动着语音技术领域的创新突破。
32210编辑于 2025-09-24- 来自专栏PM吃瓜(公众号)
缓存技术 2
"13" ["title"] => string(4) "thinkphp的缓存技术" ["content"] => string(8) "thinkphp的缓存技术" => string(4) "缓存" ["thumb"] => string(0) "" ["description"] => string(7) "thinkphp的缓存技术 第二次访问 array(10) { [0] => array(12) { ["id"] => string(1) "1" ["catid"] => string(2) "13" ["title"] => string(4) "thinkphp的缓存技术" ["content"] => string(8) "thinkphp的缓存技术" => string(4) "缓存" ["thumb"] => string(0) "" ["description"] => string(7) "thinkphp的缓存技术
93320发布于 2019-08-13 - 来自专栏Java探索之路
Servlet技术2
utf-8"); get请求方式乱码解决： 方式一：每个数据都要单独的进行转换 String uname=req.getParameter("uname"); String uname2= 解决： session技术 使用: 创建session对象 HttpSession session =req.getSession(); 存储数据到session中 session.setAttribute 2、 校验session是否失效，存储数据到session对象中或者获取session中的数据或者删除session中的数据 特点: session解决了同一个用户不同请求的数据共享问题。 使用： 创建ServletContext对象 ServletContext sc1 = this.getServletContext(); ServletContext sc2 2、通过ServletConfig对象配置局部属性（专属每个servlet） ? ?
51620发布于 2020-07-25 - 来自专栏DeepHub IMBA
ReFT(表征微调):比PeFT效果更好的新的大语言模型微调技术
PeFT 参数高效微调方法（Parameter-Efficient Fine-Tuning，PEFT）仅微调少量或额外的模型参数，固定大部分预训练参数，大大降低了计算和存储成本，同时最先进的 PEFT 技术也能实现了与全量微调相当的性能 LoRA的变体，除了有名的LoRA之外常用的PeFT方法还有： Prefix Tuning：通过virtual token构造连续型隐式prompt ，这是21年斯坦福发布的方法 P-Tuning V1/V2： 这是清华大学在21年提出的将自然语言的离散模版转化为可训练的隐式prompt (连续参数优化问题)，V2版在输入前面的每层加入可微调的参数，增强了V1版的性能 然后就是我们熟悉的也是最长用的LoRA，这里就不多介绍了 ，我们可以狭义理解为LoRA是目前最好的PeFT方法，这样可以对我们下面介绍的ReFT更好的对比 表征微调 ReFT ReFT (Representation Finetuning)是一组专注于在推理过程中对语言模型的隐藏表示学习干预的方法 2、适应机制 像LoRA和DoRA这样的PEFT方法学习权重更新或模型权重矩阵的低秩近似值。然后在推理期间将这些权重更新合并到基本模型的权重中，从而不会产生额外的计算开销。
2.2K10编辑于 2024-04-15 - 来自专栏Python和安全那些事
25.向量表征之DeepWalk：从Word2vec到DeepWalk，再到Asm2vec和Log2vec
这是向量表征系列文章，从Word2vec和Doc2vec到Deepwalk和Graph2vec，再到Asm2vec和Log2vec。 在本文中，我们介绍了深度学习（无监督特征学习）技术 [3]，即Word2Vec，该技术在自然语言处理中已被证明是成功的，并首次将其引入到网络分析中。 [3] Y. Bengio, A. 解决这个问题的技术通常使用近似推理（approximate inference）技术来利用依赖信息以改进分类结果。 下面简单总结下： 这篇文章我从向量表征角度介绍了6个经典的工作，前文介绍了谷歌的Word2vec和Doc2vec，它们开启了NLP的飞跃发展；这篇文章将介绍DeepWalk，通过随机游走的方式对网络化数据做一个表示学习 接下来，我们将介绍Asm2vec和Log2vec，它们是安全领域二进制和日志向量表征的两个经典工作，借鉴了前面论文的思想，并优化且取得了较好的效果，分别发表在S&P19和CCS19。
1.3K30编辑于 2023-02-28 - 来自专栏AI研习社
神经网络如何完成表征？
本文为 AI 研习社编译的技术博客，原标题 ： Representation Power of Neural Networks 作者 | ASHISH RANA 翻译 | 小冷、jinlilei 在数学上，我们将研究给定神经网络的表征能力，以便提供近似的函数。 表征能力与神经网络的能力相关，神经网络会为特定实例分配适当标签并为该类创建明确定义的准确决策边界。 为了检查它的表征能力，让我们看它的几何解释。首先进行2-D分析，使用2个输入来近似OR函数，然后使用3个输入进行3-D分析。 ? 对于二维坐标系中的分离，需要一条分类直线。 图：红线表示权重为-1，蓝色表示权重为+1 异或函数实现的条件：w1 <w0，w2≥w0，w3≥w0，w4 <w0 记住：具有n个输入的任何布尔函数都可以由感知器网络表示，感知器网络包含具有2 ^ n个感知器的 此外，假设我们的决策基于两个因素：盐度（x1）和压力（x2）。一些数据已经给了我们， y(有油|无油) 似乎是一个x1和x2的复合函数。我们想要一个神经网络来近似这个函数。 ?
1.1K20发布于 2018-12-14 - 来自专栏脑电信号科研科普
人类如何学习和表征网络？
在这里，我们提供了图形学习领域的简要介绍，涵盖了最近开发的实验技术和基于网络的模型、理论和直觉，以研究网络结构对人类认知和行为的影响。 鉴于该领域的高度跨学科性质——它借鉴了认知科学和语言学的实验方法，并建立在网络科学、信息论和统计学习的计算技术之上——我们旨在通过简单的激励性例子提供一个易于理解的概述。 图1 构词语言中音节之间的转移 2. 学习网络结构 虽然项目之间的个别连接提供了关于系统结构的重要信息，但它们并不讲述整个故事。连接还结合并重叠形成复杂的网络，表征我们环境的高阶结构。 早期的结果表明，当观察一系列从一个过渡结构转移到另一个过渡结构的刺激时，人们对第一个网络的习得表征会影响他们对第二个网络的反应，但这些影响会随着时间的推移而减弱。 来自认知建模技术(图。3)现有实验范式的扩展(图。4)应用于现实世界网络的研究(图。5)，图形学习已经准备好改变我们对人类认知、复杂网络以及它们相交的无数方式的思考方式。
47130编辑于 2021-11-29 - 来自专栏测试GO材料测试
原位表征技术在水系电池研究稳定性测试中的应用-测试GO
原位表征技术在水系电池研究稳定性测试中的应用-测试GO随着水系电池研究的深入，稳定性已成为衡量其性能与安全性的关键指标。 测试狗通过气相质谱联用技术，对电化学反应中产生的挥发性物质进行定性与定量分析。 测试狗采用微天平技术，在充放电过程中实时监测单个电极的质量波动。 原位电极质量监测三、原位气压监测：体系稳定性与安全性的直接表征电池内部气压变化是评估整体稳定性的重要指标。测试狗通过高精度气压传感器，在静置或循环过程中实时监测电池内部气压。 这些技术不仅适用于基础机理研究（如副反应路径解析），还可赋能产业化场景（如安全性能验证），助力科研团队与企业加速高性能水系电池的开发进程。
26110编辑于 2025-09-01 - 来自专栏小巫技术博客
深度学习，NLP和表征（译）
译自：https://colah.github.io/posts/2014-07-NLP-RNNs-Representations/ 发布于2014年7月7日 神经网络，深度学习，表征，NLP，递归神经网络 Socher et al. (2013b) 这是由斯坦福小组的成员完成的，他们只有8个已知类别（和2个未知类别）。结果已经相当令人印象深刻。 结论 深度学习的表征视角是一种强有力的观点，似乎可以解释为什么深层神经网络如此有效。除此之外，我认为还有一件非常美妙的事情：为什么神经网络是有效的？ 对于输入错误、技术错误或您希望看到的澄清，我们鼓励您对github发起pull request。) 当你有n个输入神经元时，为每一个可能的输入构造一个案例需要2的n次方个隐藏的神经元。实际上，情况通常没有那么糟糕。您可以有包含多个输入的情况。
77630发布于 2018-07-20 - 来自专栏呆呆熊的技术路
技术汇总文摘(2)
代码的深度调用，模块层面上的依赖关系网，业务场景逻辑，非功能性需求等问题是需要相应的文档来完整地呈现的
36130发布于 2020-05-04
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