Публикации по теме 'deep-learning'
Последние обновления в части 8 генерации графа сцены (машинное обучение)
SrTR: самообучающийся преобразователь с визуально-лингвистическими знаниями для создания графа сцены (arXiv)
Автор: Юйсян Чжан , Чжэньбо Лю , Шуай Ван .
Аннотация: Объекты в сцене не всегда связаны между собой. Эффективность выполнения одноэтапных подходов к генерации графа сцены довольно высока, что позволяет вывести эффективную связь между парами сущностей с использованием разреженных наборов предложений и нескольких запросов. Однако они фокусируются только на отношении между..
Как работают молекулярные сети часть 2
Траекторная интерпретация доказательства Мозером неравенства Гарнака (arXiv)
Автор: Лукас Нибель , Рико Захер
Аннотация: В 1971 году Мозер опубликовал упрощенную версию своего доказательства параболического неравенства Харнака. Основным новым ингредиентом является фундаментальная лемма Бомбьери и p∞1 Джусти, которая объединяет L − L -оценку со слабой L -оценкой для логарифма сверхрешений. В этой заметке мы даем новое доказательство этой слабой L1-оценки. В представленном..
Как работает агрегация моделей, часть 2 (машинное обучение)
pFedSim: агрегирование моделей с учетом подобия для персонализированного федеративного обучения (arXiv)
Автор: Цзяхао Тан , Ипэн Чжоу , Ган Лю , Джесси Хуэй Ван , Шуй Юй .
Аннотация: Парадигма федеративного обучения (FL) возникает для сохранения конфиденциальности данных во время обучения модели, предоставляя только параметры модели клиентов, а не исходные данные. Одна из самых больших проблем в FL заключается в не-IID (не идентичных и независимо распределенных) данных (также..
Теоретический аспект обработки естественного языка
Введение
За миллионы лет люди приспособили таинственные пути для развития искусства общения. Все началось со сплетен, которые позже позволили нам эффективно общаться и передавать наши сообщения другим людям с помощью звука. Чтобы сузить его, есть два основных фактора, участвующих в ускорении эволюции человека: один — язык, а другой — машины. Промышленная революция оказала огромное влияние на каждую экосистему. Наряду с людьми развиваются и машины, в начале 80-х нам приходилось управлять..
Как полиномиальная регрессия используется в различных сценариях, часть 1 (машинное обучение)
Многомерная внутренняя локальная полиномиальная регрессия на изометрических римановых многообразиях: приложения к положительно определенным данным (arXiv)
Автор: Роналдо Гарсия Рейес , Ин Ван , Мин Ли , Марлис Онтивьеро Ортега , Дейрел Пас-Линарес , Лидис Галан Гарсия , Педро Антонио Вальдес Соса .
Аннотация: В статье представлен новый метод непараметрической римановой регрессии с использованием изометрических римановых многообразий (IRM). Предлагаемый метод, внутренняя..
Новые методы работы с самостоятельным вниманием, часть 5 (машинное обучение)
Сеть адаптации предметной области знаний с самостоятельным вниманием для оценки состояния коммерческих литий-ионных аккумуляторов при неглубоких циклах (arXiv)
Автор: Синь Чен , Ювэнь Цинь , Вэйдун Чжао , Цимин Ян , Нинбо Цай , Кай Ву .
Аннотация: Точная оценка состояния работоспособности (SOH) имеет решающее значение для обеспечения безопасности, эффективности и надежности приложений с батарейным питанием. Большинство методов оценки SOH сосредоточены на диапазоне полного заряда..
Чему мы учимся из наших древних писаний и как это помогает всем нам строить лучший мир, используя…
Все, что мы есть, это наши мысли.
У каждого из нас есть хорошие и плохие мысли. Мы называем сильными и хорошими тех людей, которые предпочитают действовать в основном на основе своих хороших мыслей, и навешиваем ярлыки на людей как на слабых и плохих, которые в основном действуют на основе своих плохих мыслей.
Нам нужны сильные умы, чтобы сначала понять разницу между хорошей и плохой мыслью, а затем нам нужна сила, чтобы действовать только на хорошие мысли.
Воздействие только на..
Новые материалы
Обзор кода — Миссия невыполнима?
Обзор кода — миссия невыполнима?
3 расширения VsCode, которые помогут вам ориентироваться в коде!
Как новый пользователь Visual Studio Code, мне иногда трудно перемещаться по открывающему и..
BrightFuture (реализация интерфейса Java Future на Golang)
Отказ от ответственности: это моя первая статья на medium.com. Я постарался сделать это по-настоящему простым, и люди, находящиеся на любом этапе своей учебной лестницы, могут извлечь..
Серия блогов по ускорению вывода на основе глубокого обучения — Часть 2 — Аппаратное обеспечение
Глубокие нейронные сети стали обычной практикой во многих приложениях машинного обучения. Их способность достигать человеческой и даже сверхчеловеческой точности сделала их важной вехой в истории..
Технологии для нетехнологов 6: Простое объяснение языков программирования
Одним словом, программирование — это автоматизация, но в более широком смысле — это способ «поручить компьютеру выполнять различные задачи». Инструкции отправляются кодом, и этот код может быть..
CS373 Summer 2018: Миранда Фуленчек
CS373 Summer 2018: Миранда Фуленчек
Неделя 1: 4 июня — 10 июня
Что вы делали на прошлой неделе?
Занятия начались на этой неделе, поэтому большую часть времени я потратил на..
Как развивается смешанно-целочисленное программирование, часть 7
Унифицированная техника раннего завершения для первично-двойственных алгоритмов в смешанно-целочисленном коническом программировании (arXiv)
Автор : Ювэнь Чэнь , Кэтрин Нин , Поль Гулар..
Как научить модель Keras распознавать текст переменной длины
Я некоторое время играл с официальным примером Keras image_ocr.py и хочу поделиться своими выводами в этом посте.
В официальном примере выполняется только обучение модели, но отсутствует..