- 综合排序
- 最热优先
- 最新优先
- 来自专栏CreateAMind
终身生成建模 Lifelong Generative Modeling
在这项工作中，我们专注于无监督生成建模的终身学习方法，其中我们持续将新观察到的数据分布整合进一个已学习的模型中。 最近，在分类任务中出现了一些试图摆脱存储过去训练数据需求的方法，它们依赖于生成建模 [112, 57]；我们将这类方法称为深度生成回放 （Deep Generative Replay, DGR）方法。 我们首先在 3.1 节 描述基础层次的生成建模方法，接着在 3.2 节 说明其如何扩展到终身学习设置。 然而，在描述 VAE 之前，理解这种生成建模如何在终身学习场景下进行是非常重要的。 最后，GANs 可能存在生成样本多样性低 的问题 [28]，这在终身生成建模中可能导致误差累积 。
9610编辑于 2026-03-11 - 来自专栏学习成长指南
数学建模---最小生成树问题的建模~~~~~Matlab代码
1.相关概念 （1）什么是树 连通，无环路，无向图就是树； （2）生成树和最小生成树： 生成树就是一个图的子图，而且是一个树，包括原来的图的所有的顶点，一个图可能会有多个生成树，可能会有多个最小生成树， 但是最小生成树的长度是唯一的； 2.适用赛题 （1）赛题分类 通信建设问题，以及这个管道的铺设问题，都是这类最小生成树问题，求解的就是这个通信线路的最短情况和这个铺设管道最节省的情况； （2）不同之处 这个不同之处指的就是这个最小生成树和最短路径的不同之处，这个最小生成树里面没有指定这个起点和终点，只要求能够把所有的顶点走一遍就可以了； 而最短路径是指明了起点和终点，在这个限制条件下要求这个路径最短， ，然后再根据这个不同的顶点之间的长度去初始化这个不同位置的元素的数值； 我们现实生成了一个9*9的全是0的矩阵，然后就是根据不同顶点之间的权重去对于这个矩阵的相应的位置进行初始化；这个地方需要注意的是这个生成树是没有方向的 ，我们只需要使用上三角即可； 这个里面使用到的相关函数的简单介绍我放到下面了： 接下来就是求解最小生成树，sparse表示使用的是地杰斯特算法，这个是我们自己设置的，不进行设置的话就会使用默认的prim
34010编辑于 2025-02-24 - 来自专栏程序你好
使用SharpGL三维建模技术生成3D井眼轨迹图
由于笔者是信息技术专业出身，所以只能依照自己的行业经验研究井眼轨迹的三维技术实现。其中涉及到钻井工程细节部分可能不准确或错误，本文内容仅供技术实现方面参考。 支持3D绘图方面的技术框架很多，本文介绍使用SharpGL这个开源项目来实现三维井眼轨迹图。 谷歌的原因英文资料找起来也很费劲，SharpGL缺少一个官方技术社区，值得一说的是官方提供了比较详细的示例代码，说实话其中很多代码都是参考官方示例写的。 这些内容与软件技术没什么关系，就不细说了。
4.8K50发布于 2019-11-06 - 来自专栏全栈程序员必看
浅谈大数据建模的主要技术：维度建模
Ralph Kimball 维度建模理论很好地回答和解决了上述问题。 维度建模理论和技术也是目前在数据仓库领域中使用最为广泛的、也最得到认可和接纳的一项技术。 今天我们就来深入探讨 Ralph Kimball 维度建模的各项技术，涵盖其基本理论、一般过程、维度表设计和事实表设计等各个方面，也为我们后面讲Hadoop 数据仓库实战打下基础。 维度建模关键概念 度量和环境 维度建模是支持对业务过程的分析，所以它是通过对业务过程度量进行建模来实现的。 那么，什么是度量呢？ 维度属性是查询约柬条件（ SQL where 条件）、分组（ SQL group 语句）与报表标签生成的基本来源在查询与报表需求中， 属性用 by （按）这个单词进行标识。 即使是没有任何技术背景或者维度建模背景知识的业务人员，也很容易理解，更何况目前的存储成本极低，多出的这份存储开销相比后续每次的关联计算、用户使用和学习成本来说，是非常划算的。
1.6K10编辑于 2022-08-11 - 来自专栏媒矿工厂
使用深度生成模型进行物理建模
本次演讲主要讲述使用深度生成模型进行物理建模。 Aswin C. Sankaranarayanan首先提到图像建模的发展促进了图像和视频处理技术，如JPEG的变换域编码，JPEG2000的稀疏小波，图像去模糊的稀疏梯度，MPEG的运动建模，BM3D的非局部均值，图像复原的字典学习 Sankaranarayanan提出可以使用一个深度生成模型来迭代地解决这些线性逆问题。 然后，Aswin C. Sankaranarayanan讲解了物体形状和反射属性的建模。 光照建模将多个光源同时照射下的场景分解为不同光源照分别射下形成的场景。Aswin C. Sankaranarayanan使用深度生成模型来学习输入图像的反射、光照和几何属性，使用可微分渲染来估计物体形状。 最后，Aswin C.
62510发布于 2019-12-05 - 来自专栏阮一峰的网络日志
PhotoSynth：图像识别建模技术
PhotoSynth是微软公司从华盛顿大学购买来的一项技术，主要作用是通过平面照片自动建立空间模型，目前已经接近即将发布的前夕。 举例来说，游客来到上海，外滩是必去的。 这就是说，这项技术实际上可以用来处理世界上所有含有地理信息的照片，然后将外部环境复原出来。Google Earth只能空中俯视，而PhotoSynth可以让你方佛漫步在每一条街道上！ 听上去真是不可思议，但是这种技术确实已经实现了。
5.2K100发布于 2018-04-13 - 来自专栏DeepHub IMBA
使用 TimeGAN 建模和生成时间序列数据
在本文中，我们将研究时间序列数据并探索一种生成合成时间序列数据的方法。 时间序列数据 — 简要概述 时间序列数据与常规表格数据有什么不同呢？时间序列数据集有一个额外的维度——时间。 使用TimeGAN生成时间序列数据 TimeGAN(时间序列生成对抗网络)是一种合成时间序列数据的实现。 我们在energy_data上训练TimeGAN模型，然后使用这个训练过的模型生成更多的数据。 评估和可视化 我们可以利用以下两种大家都知道的可视化技术： PCA——主成分分析 t-SNE — t-分布式随机邻居嵌入 这些技术背后的基本思想是应用降维来可视化那些具有大量维度（即大量特征）的数据集。 为了生成更多的时间序列数据，我们通过ydata-synthetic库使用了TimeGAN架构。
4.6K30发布于 2021-09-15 应用数学如何革新预测建模技术
其工作强调核心数学建模，这与她的学术背景高度契合。从本科阶段开始，她就展现出对数学的热爱，将其视为"通用语言"。 技术实践与行业应用在职业生涯早期，研究人员曾参与某图形处理器制造商的线性代数算法开发，为其数学库优化GPU处理相关算法。这段经历融合了编程与数学，使其确认了对工业界应用的热爱。
22710编辑于 2025-08-31- 来自专栏AI小常识
大数据建模、分析、挖掘技术应用
关键知识点：1.掌握大数据建模分析与使用方法。2.掌握大数据平台技术架构。3.掌握国内外主流的大数据分析与BI商业智能分析解决方案。
45530编辑于 2022-08-19 - 来自专栏数据科学与人工智能
金融科技|风控建模技术方案
风控建模的技术方案 1 逻辑回归模型 在银行的传统评分卡建模中，应用的也是逻辑回归模型。逻辑回归本质上是一个线性分类模型。 对于金融科技公司在建模所遇到的大量的弱特征，如何挖掘多个特征之间的互补性，产生组合的分箱特征是一个技术挑战。 此外，树模型也是一个能很好处理上千甚至上万维度的连续值特征数据的建模方法。因此，在处理大量的高维度弱特征数据时树模型有很广泛的应用，并取得了出色的实际效果。 而且，不同时间段、不同机构的放款数据是否具有稳定可发掘的模式、可相互迁移，也有待建模试验检验。 而互联网金融面临的如何组合大量的弱特征数据对于用户的逾期行为给一个准确的预测，是一个新出现的技术课题，技术方案也在快速的迭代演进中。
2.5K30发布于 2021-07-15 - 来自专栏Spark学习技巧
维度建模技术实践——深入事实表
事实表是维度建模的核心表和基本表。 它存储了业务过程中的各种度量和事实，而这些度量和事实正是下游数据使用人员所要关心和分析的对象。 事务事实表 事务事实表是维度建模事实表中最为常见、使用最为广泛的事实表。 事务事实表通常用于记录业务过程的事件，而且是原子粒度的事件。 理解概念的最佳途径无疑是实际的例子，因此下面将结合超市零售业务以及维度建模的四个环节来说明事务事实表。 总结 在经典的维度建模事实表设计中，事实表将仅存储维度表外键、选定的度量以及退化维度等，例如我们前面提到的超市零售事务事实表。 但是在大数据时代，随着 HDFS、MapReduce 为代表的各种分布式存储和计算技术的发展，存储成本以及性能等不再是关键，所以在维度建模理论反规范化思想的基础上，可以更进一步地把常用的维度属性沉淀在事实表中
1.9K20发布于 2021-07-27 - 来自专栏智能生信
Nature Methods |单细胞转录组的深度生成建模
单细胞转录组测量可以揭示未开发的生物多样性，但它们受到技术噪音和偏差的影响，必须建模以解释下游分析中产生的不确定性。 生物信号被保留在scVI潜伏空间中 3.3 解释技术可变性 为了评估scVI纠正批次效应的能力，本实验使用了两批小鼠视网膜双极神经元数据集 (RETINA)。 图9. scVI的生成分布 ? 图10. 使用scVI捕获技术可变性 3.4 差异性表达 为了评估scVI与其他差异性表达分析方法的性能，本实验使用了一个来自健康人体供体的拥有12039个PBMCs的数据集 (PBMC)，并对B细胞和树突状细胞簇 此外，因为它只需要潜在空间和模型规范来生成任何感兴趣的数据点 (细胞×基因)，scVI可以用作可扩展和交互式可视化工具的有效基线。
2.9K10发布于 2021-02-04 - 来自专栏超级架构师
「技术架构」TOGAF建模：处理图部署图
处理图着重于可部署的代码/配置单元，以及如何将它们部署到技术平台上。部署单元表示业务功能、服务或应用程序组件的分组。处理图解决了以下问题: 需要将哪一组应用程序组件分组以形成部署单元? 应用程序配置和使用模式如何产生不同技术组件的负载或容量需求? 参见网络计算硬件图。为了呈现部署单元，处理图将以一种更通用的方式使用部署。
1K30发布于 2020-11-06 - 来自专栏超级架构师
「技术架构」TOGAF建模：网络计算硬件图
因此，记录在开发和生产环境中支持应用程序的逻辑应用程序和技术组件(例如，服务器)之间的映射变得非常关键。网络计算硬件图的目的是显示分布式网络计算环境中逻辑应用程序组件的部署逻辑视图。 但是，对于遗留分析或技术架构，建模存储库或存储库部署可能非常有用。 应用程序:此应用程序组件对应于遗留应用程序、现成产品，或者可以是应用程序组件的组装。 此图展示了通过网络互连的硬件(服务器、工作站)，以及部署在此硬件上的技术和应用程序组件。 技术、体系结构组件(如web服务器)被添加到应用程序体系结构中标识的逻辑组件中。
81930发布于 2020-11-06 简述代码生成技术
代码生成技术是一种通过自动化工具或程序来生成源代码的方法。这种技术可以显著提高开发效率，减少手动编码的错误，并且能够快速适应需求变化。 代码生成技术通常应用于以下几个方面：模板驱动的代码生成：使用预定义的模板和参数来生成代码。例如，根据数据库表结构自动生成数据访问层（DAL）代码。 AI驱动的代码生成：利用人工智能和机器学习技术来自动生成代码。例如，使用大模型生成复杂的业务逻辑代码或优化现有代码。 生成的代码def add_numbers(a: int, b: int) -> int: return a + b总结代码生成技术通过自动化工具和方法，帮助开发者快速生成高质量的代码，提高开发效率和代码质量 不同的代码生成技术适用于不同的场景，选择合适的技术可以显著提升开发体验。
33100编辑于 2025-01-26- 来自专栏数据分析1480
巧用R语言生成建模所需的测试数据
前言 随机数用途多样，笔者常用于：生成测试数据，生成有规律的数列。 只要在使用函数生成随机数之前设定set.seed(n)，即可生成相同的随机数。 注释：n必须一致 #了解第一个随机数生成函数：runif runif(n,min,max)#随机生成n个在min和max之间的随机数 #默认runif(n)中min=0，max=1 #未设置set.seed 2.1 最常见的“c” > c(1,2,8)#生成包含1，2，8的向量 [1] 1 2 8 2.2 “:“ 等差生成等差为1或-1的向量 > 1.1:10 [1] 1.1 2.1 3.1 4.1 d 表示密度函数（density）； p 表示分布函数（生成相应分布的累积概率密度函数）； q 表示分位数函数，能够返回特定分布的分位数（quantile）； r 表示随机函数，生成特定分布的随机数（random
2.2K30发布于 2019-06-14 图数据异常检测的扩散建模技术
图数据异常检测的扩散建模技术异常检测是指识别显著偏离既定规范的数据，这些数据可能指示有害活动。对于基于图的数据而言，这是一个特别艰巨的挑战，因为异常检测不仅基于数据值，还基于图内的拓扑关系。 该方法将变分图自编码器（学习可用于生成随机样本的概率分布）与扩散建模（学习将随机噪声转换为可理解输出）相结合。 基于图的建模图是表示数据通过网络（无论是计算机网络、通信网络还是交互网络，如电子商务网站上买卖双方之间的交互）移动的自然方式。 图神经网络迭代地构建图表示：首先，它们嵌入图中节点对应的数据；然后生成结合节点嵌入和相邻节点嵌入的嵌入；接着生成结合这些更高级别嵌入的嵌入；依此类推，直到某个固定终止点。 自编码器的压缩表示定义了一个表示空间，正是在该空间内应用扩散建模。自编码器生成输入图的嵌入，模型迭代地向其添加噪声。然后去噪器以相反方向执行相同过程，迭代地对嵌入进行去噪。
20210编辑于 2025-09-01- 来自专栏超级架构师
「技术架构」TOGAF建模：环境和位置图
环境和位置图描述了哪些位置承载哪些应用程序，确定了哪些位置使用了哪些技术和/或应用程序，最后确定了业务用户通常与应用程序交互的位置。
69810发布于 2020-11-06 - 来自专栏腾讯云TI平台
【技术分享】推荐系统之序列化建模
导语 近些年推荐系统领域已经有不少序列化建模的实践，本文将选择部分论文进行简单的分析和整理，旨在产生指引的作用。 典型的在电商推荐场景，当用户买了一款手机之后，接下来如果推荐手机周边配件等物品则显得更合理一点，基于用户历史行为的序列化建模可以很好的解决这类问题。 经典paper的演进之路，在时间上反应了技术方法的革新与流行。不过我们真正要在进行业务实践时，不妨做一些更全面的考量和尝试。 CNN-Based的序列化建模方法，个人认为是一个很不错的尝试，值得在应用中考虑。 对于序列化建模问题的转换，以及训练样本的处理都很值得借鉴。
2.1K51发布于 2020-04-10 - 来自专栏3D可视化
3D建模软件中涉及的技术
接下来我们来看建模软件中涉及的技术。熟悉了这些，即使你不是专业的3D可视化开发工程师，你是前端工程师，掌握Javascript 语言，便能够在ThingJS平台上自由创作。 建模软件中涉及的技术 1.mesh 建模 大多数通用商业 3D 软件使用的建模技术，有点像雕塑，使用多边形体，进行编辑，再贴上贴图，模拟表面的材质。 5.png 4.3D扫描 通过激光等技术对物体表面进行 3D 扫描，并进行 3D 重建得到模型。ThingJS 在积极开发这项技术，敬请期待。 6.jpg 5.多照片自动建模 CamBuilder 将在后续发布多照片自动建模功能，敬请期待。 这是采集的雕塑照片 7.png 这是通过照片建模技术生成的模型： TIM截图20191024171550.png 优锘科技一直在致力于开发各种利于大家开发的部件和功能，期待我们做的更好吧~
2.6K21发布于 2019-10-24
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