- 综合排序
- 最热优先
- 最新优先
- 来自专栏玉树芝兰
打破你的适应性偏见
只是上初中那时候，我还不知道这种现象有个心理学名称，叫做“适应性偏见”。 偏见 刘润老师对“适应性偏见”的定义是： 人们对好的、坏的环境，最终都能适应的强大的行为心理。 但是适应性偏见的强大作用依然会把你往回拽。只要稍有机会，你就会自己创造一个“小环境”——也就是国际办主任提到的“泡泡”——缩在里面不肯出来。 方法 适应性偏见如此强大，我们就只能认命了吗？ 当然不是。 打破适应性偏见的方法并不复杂。也就是三条： 输入新信息； 做出尝试； 反馈调整。 输入新信息，就是古人说的“兼听则明”。 这种反馈思考的对比也会让你清楚了解到周围环境如何通过适应性偏见影响你，以及程度有多高。假如你是进取型人格，周围人的嘲讽可能对你没有什么显著影响，那你只需要不断寻找机会、更新目标就行了。 冰冻三尺非一日之寒，对抗适应性偏见也不是一朝一夕之功。这三条步骤看似简单，却是必须要靠时间的积累才能不断培养，并且坚持下来形成习惯的。 你曾经有过哪些适应性偏见，是否打破了它们？怎么做到的？
65520发布于 2018-08-22 - 来自专栏生信宝典
综述：变温动物的适应性免疫
哺乳动物IgG和IgE均与IgY共同祖先有关，IgE H链维持4个C结构域，而IgG H链失去CH2结构域。 硬骨鱼的一个谱系已经失去了MHCⅡ类基因、不变链和CD4分子，也就是说，很明显，T辅助细胞发育所必需的所有成分都丢失了。 4. 著名的腔棘鱼基因组序列揭示了免疫球蛋白M（IgM）的丧失，是迄今为止唯一具有这一特征的脊椎动物物种。 注意，适应性细胞因子，包括IL-2、IL-4、IFN-γ等，到目前为止，只在有颚类中发现。 1. 类似地，CD4和CD8不是来自最近的共同祖先，所以它们识别MHC分子的共同选择是独立的。哪个是第一位的？
2.8K30发布于 2018-12-19 - 来自专栏技术综合
适应性页面自己的看法
整体页面的，比如导航，宽屏图片，不要设置px，而是直接100%。 高度也设置成auto或100%，这样可以更具盒子里的内容而撑出高度。
36620发布于 2020-08-25 云直播全球直播需求适应性技术指南
摘要 本技术指南旨在解析云直播技术在全球直播需求中的适应性，特别是跨境场景。我们将探讨云直播技术的核心价值、实施挑战、操作指南，并对比通用方案与腾讯云方案的差异，以展示腾讯云直播服务的优势。 （来源：客户实践） 通过本指南，您可以了解到云直播技术在全球直播需求中的适应性，以及如何利用腾讯云产品实现高效、安全的直播服务。
36610编辑于 2025-07-29- 来自专栏1996
深度特征级联的适应性跟踪学习策略
论文题目：Learning Policies for Adaptive Tracking with Deep Feature Cascades 摘要 本文介绍了一种适应性跟踪方法，可以在不降低准确性的情况下提高深度跟踪器的速度 该方法在近50%的时间内提供了100倍的加速，表明了适应性方法的优势。 背景 本文研究背景：本文研究的是基于深度特征级联的自适应跟踪策略。 4、通过在线学习来更新分类器和回归器的参数，以适应目标的外观变化和运动。 该方法的关键在于使用深度特征来提高跟踪器的鲁棒性和准确性，并通过级联结构来提高跟踪器的效率。
35110编辑于 2024-01-18 综述《适应性免疫受体库分析》
摘要： B细胞和T细胞受体库组成了个体的适应性免疫受体库（AIRR）。AIRR是抗原特异性受体的集合，驱动适应性免疫反应，而适应性免疫反应也刻印在个体的免疫组库中。 图4a提供了AIRR数据一般分析思路，补充表2中所有工具(除单细胞分析类别外)均可应用于bulk免疫组库测序序列数据。 图4 | AIRR-seq数据的生物信息学下游分析 AIRR概要统计。 目前，可用于研究免疫信号如何在 AIRR 中编码的机器学习与深度学习方法激增，图 4b–d 展示了这些方法。 独立队列中的记忆CD4+ T细胞也发现了类似的模式，提供了公共TCR与病原体特异性T细胞反应密切相关的证据。
31710编辑于 2025-11-20- 来自专栏DrugScience
Science | 酶温度适应性的进化机制
在本文中，他们结合深入机理研究以及对数千种酶的全面序列分析，对酶温度适应性的分子机理和进化机制进行了研究。 ? 自生命产生以来，有机体及体内的酶始终在适应环境中的选择压力和不断进化。 为了剖析酶温度适应性的分子和进化机制，作者对细菌酶酮类固醇异构酶（Ketosteroid Isomerase, KSI）进行了深入的机理研究，揭示了其温度适应性的分子机制。 在冷适应性的KSI同源基因中，质子化Asp103 (D103)作为更强的氢键供体，提高了活性；相应地，热适应性KSI的同源序列通过Ser103 (S103)来稳定，Ser103降低了活性，但通过去除D103 总得来说，作者以酶KSI为例，结合序列分析、系统发育分析和物理相互作用分析等手段，深度剖析了酶温度适应性的分子机理和进化机制。
1.2K20发布于 2021-03-22 - 来自专栏微生态与微进化
适应性突变—对新达尔文主义的严重挑衅？
然而，适应性突变的概念似乎挑战这一基本原则。 适应性扩增的经典实例：适应性扩增导致异质性耐药。 说明自然选择和突变产生并非完全独立的，环境压力可能影响突变率甚至突变偏好，介由细菌的DNA复制与修复系统，产生额外的突变副产物[4, 5]。 Science, 1994, 264(5156): 258-260. [4] Fitzgerald D M, Rosenberg S M. What is mutation? PLoS Genetics, 2019, 15(4): e1007995. [5] Shee C, Gibson J L, Darrow M C, González C, Rosenberg S M.
76350编辑于 2022-12-31 - 来自专栏GiantPandaCV
IBN-Net: 提升模型的域自适应性
概述 IBN-Net出发点是：提升模型对图像外观变化的适应性。在训练数据和测试数据有较大的外观差异的时候，模型的性能会显著下降，这就是不同域之间的gap。 但是实际应用中不可避免遇到训练数据无法将所有情况下(色调变化，明暗变化 )的数据都收集到，所以如何提升模型对图像外观变化的适应性、如何提高模型在不同域之间的泛化能力也是一个非常值得研究的课题。 ResNet由4组残差块组成，在IBN-Net的改进中，仅仅在Conv2_x, Conv3_x, Conv4_x三个块中加入IN，Conv5_x不进行改动。 IBN-b可以提升在目标域(训练数据中未出现的数据)的泛化能力，可以看到要比ResNet50提高4个百分点。 ? 跨域分割结果 可以看到，训练集和测试集来自同一个数据的时候，IBN-a模型的mIoU是能够比原模型ResNet50高4个百分点。
1.5K41发布于 2020-04-15 - 来自专栏相约机器人
对标 GLUE、ImageNet，谷歌推出视觉任务适应性基准 VTAB
这一算法同时必须定义一些适应性策略。这使其可以使用每个下游任务中的小样本训练集，并最终返回一个针对特定任务做出预测的模型。 其中性能表现最佳的表征学习算法是自监督半监督学习（Self-Supervised Semi-Supervised Learning，S4L），它包含监督和自监督预训练损失。 下图对 S4L 与标准监督 ImageNet 预训练进行了比较。S4L 尤其在结构化图像任务上提升了性能。 自监督半监督学习（S4L）与「从零开始」训练的性能对比。每个条目对应一项任务。正值条目表示 S4L 优于「从零开始」训练的任务；负值表示「从零开始」训练性能更佳的任务。 总而言之，谷歌的视觉任务适应性基准（VTAB）可以帮助用户更好地理解哪些视觉表征可以泛化到更广泛的视觉任务上，并且为未来研究提供了方向。
84030发布于 2019-11-12 - 来自专栏算法和应用
W内的不适应性：对Steiner定位的案例研究
摘要：在k-Steiner方向问题中，我们给出了一个混合图，即有向和无向边，以及一组k个端子对。目标是找到无向边的方向，以最大化从源到水槽的路径的终端对的数量。当通过k参数化时，已知该问题为W [1] - 硬，并且对于假设Gap-ETH的FPT算法难以近似达到某个常数。另一方面，没有比O（k）更好的近似值。
43210发布于 2019-07-18 - 来自专栏公共互联网反网络钓鱼（APCN）
AI驱动的钓鱼攻击与人类防火墙的适应性重构
本文旨在探讨AI钓鱼攻击的技术演进路径，剖析现有“人类防火墙”策略的结构性缺陷，并提出一套可落地的适应性防御框架。 2.2 自然语言生成与风格模仿现代LLM（如GPT-4、Claude 3）不仅能生成语法正确、逻辑连贯的文本，还能模仿特定写作风格。 4 适应性防御框架设计为应对AI钓鱼威胁，本文提出一个四层协同的防御框架，涵盖架构、人员、行为与响应四个维度。 本文提出的适应性防御框架，通过零信任邮件架构阻断初始入口，持续模拟训练提升人员感知能力，行为分析捕捉决策异常，自动化响应压缩攻击窗口，形成闭环防御体系。
27910编辑于 2025-11-30 如何评估YashanDB的行业适应性与灵活性
当今数据库技术面临着性能瓶颈、数据一致性保障和多样化应用场景的挑战，企业在选择数据库系统时尤为关注其行业适应性和灵活性。 评估行业适应性与灵活性的技术建议基于业务规模和访问模式，优先评估部署架构选择：小规模可用单机部署，海量数据适配分布式，关键交易选共享集群。 结论YashanDB通过其灵活多样的部署架构、丰富的存储引擎和强大的SQL处理能力，具备优良的行业适应性，能够满足多样化业务场景的需求。完善的事务控制与安全管理体系保障数据一致性及安全合规。
18510编辑于 2025-10-04- 来自专栏腾讯研究院的专栏
国内知识产权保护的适应性调整与破冰
国家知识产权局于2014年启动了专利法第四次全面修改研究工作，形成了《专利法修改草案（征求意见稿）》，并于2015年4月开始向社会公众公开征求意见，其中修改草案的第71条专门规定了网络服务提供者在专利侵权纠纷中的法律义务和责任 4.知识产权法院设立 迎来知识产权保护崭新阶段 当前，我国知识产权审判中主要存在的问题包括：一是知识产权案件积压严重。
992120发布于 2018-03-07 - 来自专栏公共互联网反网络钓鱼（APCN）
金融行业网络钓鱼攻击的范式演进与防御体系的适应性强化
构建覆盖技术、流程与生态的适应性防御体系，已成为行业共识与迫切任务。原文刊登于《中国信息安全》杂志2025年第12期作者：芦笛、张雅楠、史磊、徐冬璐 中国互联网络信息中心
14010编辑于 2026-01-20 - 来自专栏深度学习和计算机视觉
NIPS 2024 | 跨领域图像去噪的适应性领域学习
3 方法 在本节中，作者介绍了适应性领域学习管道的三个步骤：目标领域预训练、源领域适应性学习和目标领域微调。总体管道如图1所示。 因此，预训练可以为目标领域适应性学习阶段提供更好的初始化。其次，目标领域的数据非常少，源领域的数据可能是目标领域数据的100倍。 因此，作者提出了适应性领域学习（ADL），以消除有害数据并利用对模型有贡献的数据。 适应性领域学习算法的详细描述如算法3.2所示。 通道调制网络 为了使网络更好地利用具有不同噪声分布的传感器信息，作者需要调整不同输入的特征空间。 4 实验 声明 本文内容为论文学习收获分享，受限于知识能力，本文对原文的理解可能存在偏差，最终内容以原论文为准。本文信息旨在传播和学术交流，其内容由作者负责，不代表本号观点。
27310编辑于 2025-03-24 - 来自专栏ATYUN订阅号
MIT适应性可解释机器学习项目旨在让机器学习模型走出黑盒
他们的项目称为适应性可解释机器学习（Adaptable Interpretable Machine Learning,AIM），侧重于两种方法：可解释的神经网络以及可适应和可解释的贝叶斯规则列表（BRL
1.1K10发布于 2018-09-26 - 来自专栏AI科技大本营的专栏
快速适应性很重要，但不是元学习的全部目标
与仅通过快速适应性最大化学习的表示相比，通过引导干扰最小化学习的表示更有利于增量学习。 上的元误差进行累积，并在最后使用累积的梯度更新元参数，该过程如算法 4 所示。这样一来，我们再也不会展开计算图超过五步（类似于经过时间的截断反向传播），并且仍会考虑元训练中的干扰影响。 ? 算法 4. 元训练：MRCL 的近似实现 最终，MAML 和 MRCL 都使用5个内部梯度步骤和类似的网络结构，这样它们就可以进行公平的比较了。
66120发布于 2019-10-21 - 来自专栏运维之路
运维挑战：如何构建复杂环境下的适应性系统
本篇尝试从复杂与适应性系统相关内涵、运维面临的复杂性因素、如何建立运维适应性系统3个角度提出相应观点。 价值3、4：辅助提升客户体验、提升IT服务质量 提升IT服务质量或辅助提升客户体验，重点是让运维团队由原来以被动保障的工作思维向主动型的工作思维转变，比如加强客户体验数据分析、加强性能管理能力、 这个能力螺旋上升的能力围绕需求（need）、改变（change）、风险(risk)、适应(adapt)4个节点循环，适应性系统的关键要素是组织、流程、平台、场景。 ? （4）自动化一切 自动化一切是将事件驱动思维模式融入到运维的方方面面，可以从思维、技术两个角度发力。 4、建立一个IT运维能力螺旋上升的适应性系统，即主线是运维能力的持续提升，螺旋的闭环包括需求、改变、风险、适应。
1.6K10发布于 2021-01-05 - 来自专栏机器之心
超越Adam，从适应性学习率家族出发解读ICLR 2018高分论文
一般来说，适应性学习率算法的基本思想是若损失函数对于某个给定模型参数的偏导保持相同的符号，那么学习率应该增加。 而 Adam 通过计算梯度的一阶矩估计和二阶矩估计而为不同的参数设计独立的自适应性学习率。 在论文的第二章节中，研究者们重点讨论了一般适应性方法和基于指数移动均值的适应性方法的表述： 一般适应性方法 原作者为适应性方法提供了一个通用性框架，它展示了不同适应性方法之间的区别，并有利于我们理解 Adam 此外，作者将算法 1 封装的适应性方法限制为对角方差矩阵，即 V_t = diag(v_t)。 适应性方法的关键思想是选择适当的均值函数而实现优良的收敛性。例如推动新研究的第一个适应性学习率算法 Adagrad（Duchi et al., 2011）使用以下均值的函数： ?
914120发布于 2018-05-10
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