- 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
为了了解适应性免疫的起源，我们必须了解变温脊椎动物，以及脊椎动物的直接祖先—较低等的后口动物。在过去的十年里，突破性的发现带来了人们对适应性免疫起源的越来越多的认识，并提醒我们注意新的可能性。 7 Other antibody isotypes and light chains 在不同的脊椎动物类群中还出现了其他的“dead end”H链免疫球蛋白亚型，最近对它进行了较详细的综述，其功能尚未得到探索 与γδ TCR功能的理论一致，这些发现表明许多脊椎动物的γδ T细胞具有适应性功能。 7. 在所有受检的变温动物中，B细胞都能吞噬颗粒和微生物。 NKp30，B7同系物6(B7H6; also known as NCR3LG1)的配体也存在于软骨鱼中；有趣的是，在NKp30已经丢失的物种中，B7H6也丢失了；相反，当NKp30基因被扩展时，B7H6 7. 在翻译方面，可变淋巴细胞受体和鲨鱼单抗是诊断和/或治疗性抗体的新平台。无颚类和/或软骨鱼类与人类之间的巨大系统发育距离允许对人类靶标上进化保守的表位产生免疫反应。
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。
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。 1.前言 适应性免疫应答是由一系列适应性免疫受体(AIRs)识别抗原后引发的，这些受体包括B细胞受体(BCRs)和T细胞受体(TCRs)，分别由B淋巴细胞和T淋巴细胞表面表达。 图1|适应性免疫受体生成和结构。 为避免这一问题，必须用“金标准”（通常是合成数据）来验证：从候选解释中提炼出的假设，是否真正反映了模型预期的逻辑 7. Unique dual indexes: 唯一双索引 用于测序后过滤索引跳跃或错配读段的i5与i7索引引物唯一配对。
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。 大肠杆菌还存在另一个重组途径，使用RecE、RecF、recJ和recQ，这些基因对适应性突变没有影响。以上结果表明，RecBCD重组是适应性突变的机制之一。 这表明，适应性突变并不意味着突变的产生是非随机的，也不意味着压力诱导的突变都是适应性的，也即非定向突变（directed mutation）。 适应性扩增的经典实例：适应性扩增导致异质性耐药。 Nature Reviews Genetics, 2001, 2(7): 504-515. [3] Harris R S, Longerich S, 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。
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
终于，谷歌推出了视觉任务适应性领域的基准 VTAB（Visual Task Adaptation Benchmark），该基准有助于用户更好地理解哪些哪些视觉表征可以泛化到更多其他的新任务上，从而减少所有视觉任务上的数据需求 为了解决这方面的问题，昨天，谷歌 AI 推出了「视觉任务适应性基准」（Visual Task Adaptation Benchmark，VTAB）。这是一个多样性的、真实的和具有挑战性的表征基准。 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。 谷歌还提供了一个外壳脚本（shell script），以在所有任务上进行适应性调整和评估。标准的评估方案使得 VTAB 基准可以在业界实现轻松访问。 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。 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。 7 结论AI驱动的钓鱼攻击已不再是理论威胁，而是现实中的高频事件。其核心突破在于将社会工程从“艺术”转变为“可规模化、可优化的工程流程”。 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
此部分节选《中国互联网法律政策报告（2014）》，由“腾讯研究院法律研究中心、中国信息通信研究院互联网法律研究中心“联合推出 执笔人：司晓、张钦坤、李海英、田小军、刘娜 1.《信息网络传播权保护条例》修改 加大侵权处罚力度 由于在著作权侵权判定中赔偿数额的确定一直是一个较大的难题。很多侵权诉讼中，权利人所获得的赔偿额小到根本不足以威慑侵权人以制止其再度侵权，例如在侵犯音乐作品的信息网络传播权中，单首歌曲的赔偿额一般只有几百元。这对于侵权人来说，违法成本很低。为了解决司法领域的这一困境
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。 3.1.2 源领域适应性学习 然而，由于源领域和目标领域之间的领域差距，并非所有源领域数据都对目标领域的训练有贡献，某些数据可能有害并导致性能下降。 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。
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。
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
站在数字化时代，从运维体系角度看运维适应性系统，它包括了大量系统部件，比如各类不同角色的人、团队、软件、硬件等，部件之间通过越来越复杂的技术架构、业务逻辑、协同关系串起来形成复杂的协同网络，为了保障运维适应性系统能够稳定 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。 1.2.1 关于复杂 在数字化转型理念大行其道的今天，我们经常会听到“复杂”、“不确定性”等词，所以在开始进入运维体系适应性系统前，先聊点还原论、复杂学、适应性系统的事情，让我们可以更好的理解这些名词背后的意义 1.2.2 运维适应性系统面临的复杂因素 企业运维体系的发展，是一个不断从“组织、流程、平台、场景”四个维度不断适应IT环境变化的过程，整个过程形成了一个IT世界的适应性系统。 本节中从价值创造角度分析一下运维适应性系统的入参有哪些复杂性因素。
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。 id=ryQu7f-RZ 近来提出的几种随机优化方法已经成功地应用于深度网络的训练，如 RMSPROP、ADAM、ADADELTA 和 NADAM 等方法，它们都是基于使用前面迭代所产生梯度平方的指数滑动平均值 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 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