1 导引 目前,知识图谱(Knowlege Graph)在医疗、金融等领域都取得了广泛的应用。我们将知识图谱定义为\(\mathcal{g}=\{\mathcal{E}, \mathcal{R}, \mathcal{T}\}\),这里\(\mathcal{E}=\left\{e_{i}\right\}_{i=1}^{n}\)是由\(n\)个实体(entity)组成的集合,\(\mathcal{R}=\left\{r_{i}
这篇博客收录的屠论题目难度都为绿题及以上。 \(\text{P1828: 香甜的黄油:Dijkstra}\) \(\ \text{状态:Accepted}\) \(\textbf{普及+/提高}\) 个人感觉这题较氵。跑 \(n\) 遍 \(\text{Dijkstra}\) 即可。 \(\text{P1347: 排序:Floyd}\) \(\ \text{状态:Accepted}\) \(\textbf{提高
1 多面体 Polyhedra 定义:多面体为一系列的(有限个)线性等式和不等式的解集: \[\mathcal{P}=\{x|a_j^T x \leq b_j, j=1,...,m, c_j^Tx = d_j, j = 1,...,p \} \]根据上式可看出,多面体是\(m\)个半空间和\(p\)个超平面的交集,其中\(m,n\)为非无穷的正数。 仿射集(直线、子空间、超平面)、
1. Computer Vision Task Error rate: \(P(f(X)\neq Y)\) Accuracy: \(P(f(X)=Y)\) \(\textbf{Balanced error rate (BER)}\): \(\frac{1}{C}\sum_{y=1}^CP(f(X)\neq Y|Y=y)\) In two-class case, we can define \(\textbf{True Positive (TP)}\) rate \(P(
1. Smooth and strongly convex functions: \(O(\log(1/\epsilon))\) steps \(\large\textbf{Theorem 3.5}\): $f:dom(f) \rightarrow \mathbb{R} $ convex and differentiable. \(f\) is smooth with parameter \(L\) and strongly convex with parameter \(
为了方便以后查询使用有关离散数学方面的符号,特编写此博客。 环境 Ubuntu 20.04 LuaLaTeX 1.10.0 完整代码 % 博客园,繁星间漫步,陆巍的博客 \documentclass{article} % 注意宏包顺序,有可能会报错 \usepackage{ctex}% 中文支持 \usepackage{geometry}% 用于页面设置 \usepackag
Warning: 所有更新在我的博客发布,在原文食用体验更佳! 题意 原题链接 给 \(m\) 个数 \(\{ori_i\}\),让你添加 \(n - m\) 个数(设这一共 \(n\) 个数为 \(\{a_i\}\)),使得: \(\forall 1 \le i, j \le n,~a_i \operatorname{bitand} a_j \ne 0\) \(\forall 1 \le i, j, k \le n,~a_i \op
latex中对文本加粗常用的方法是 \textbf{*} 在表格中,这个命令也同样生效。但它会使文本变宽,如 尝试的方法 网上找了很多办法,想改变表格加粗的宽度,常见是是调整LaTeX字体,如下 Command Nominal Point Size Exact Point Size \tiny 5
前言 \(\textbf{月度同比}=\cfrac{\textbf{本月数-去年同月数}}{\textbf{去年同月数}}\times 100\%\);\(\textbf{月度环比}=\cfrac{\textbf{本月数-上月数}}{\textbf{上月数}}\times 100\%\); 典例剖析 2019 年, 全国各地区坚持稳中求进工作总基调, 经济运 民生活福祉持续增进, 全年最
感知机模型 假设输入空间\(\mathcal{X}\subseteq \textbf{R}^n\),输出空间是\(\mathcal{Y}=\{-1,+1\}\).输入\(\textbf{x}\in \mathcal{X}\)表示实例的特征向量,对应于输入空间的点;输出\(y\in \mathcal{Y}\)表示实例的类别。有输入空间到输出空间的如下函数: \[\begin{aligned} f(
a题 洛谷原题,没意思。 P1950 预计得分:\(\color{green}\textbf{100分}\)。 实际得分:\(\color{green}\textbf{100分}\)。 b题 以为是枚举区间节点写线段树,写了好多次写不出来。写了遍暴力。然后发现会写线段树了,然后暴力就被注释掉了…… 预计得分:\(\color{orange}\textbf{60分}\)
我要在latex里面排版的公式如下: 最初使用如下代码进行排版: \begin{equation} \label{deqn_ex13} \begin{aligned} \widehat{QoE}_{n \rightarrow H-1}(B_{n-1}, {\textbf{D}}_{n \rightarrow H-1}^*) \\ &= \underset {(\vec{r}_{0 \rightarrow H-1},\vec{b}_{0 \righ
\[\newcommand{\vct}[1]{\boldsymbol{#1}} \newcommand{\mat}[1]{\begin{bmatrix}#1\end{bmatrix}} \newcommand{\opn}[1]{\operatorname{#1}} \mathscr{\text{Defining }\LaTeX\text{ Macros...}} \] 我并没有透彻理解涉及知识点的严谨描述形式,所以本文大量用语是基于让读者理
摘要 从头开始训练深层 transformers需要大型数据集是一个普遍观点。因此,对于小型数据集,人们通常在微调期间,在预训练模型上使用较浅和简单的额外层。本项工作表明,这种情况并不是常见的:只需通过正确的初始化和优化,非常深的transformers的优势就可以转移到具有小型数据集的小型
文章目录 Paper informationIntroductionTargetLimitations of previous workContributions MethodNetworkWhat is control points?Why is control points?How? Paper information H+O: Unified Egocentric Recognition of 3D Hand-Object Poses and Interactions Bugr
1.难点-如何实现高效的通信 我们考虑下列的多任务优化问题: \[ \underset{\textbf{W}}{\min} \sum_{t=1}^{T} [\frac{1}{m_t}\sum_{i=1}^{m_t}L(y_{ti}, \langle \bm{w}_t, \bm{x}_{ti} \rangle)]+\lambda \text{pen}(\textbf{W}) \tag{1} \]这里\(\text{pen}(\mathbf{W})\)是一个
\documentclass[UTF8,a4paper]{ctexart} \usepackage{geometry} \usepackage{multicol} \usepackage{multirow} \usepackage{tabu} \usepackage{xeCJK} \usepackage{CJK} \usepackage{xeCJKfntef} \usepackage{fancyhdr}
最近导师让我做并行多任务学习方面的工作,我开始着手阅读这方面的论文并归纳一个大致的速览。首先,我们看看什么是多任务学习,然后我们主要聚焦于基于正则化的多任务学习方法(这也是目前学术界主要的并行对象),并在此基础上讨论如何分布式并行。 1、多任务学习介绍 类似于迁移学习,多任务
表格的创建,可以 在这个网站在线生成表格的代码。 https://www.tablesgenerator.com/# % Please add the following required packages to your document preamble: % \usepackage[normalem]{ulem} % \useunder{\uline}{\ul}{} \begin{table}[] \begin{tabular}{|c|c|c|c|c
本篇是针对经典教材《机器学习》及DataWhale小组出版的配套工具书《机器学习公式详解》的学习笔记,主要以查缺补漏为主,因此对于一些自己已经熟悉的概念和内容不再进行整理。由于水平实在有限,不免产生谬误,欢迎读者多多批评指正。 第三章 线性模型 基本概念 线性模型向量形式: \[f(\t
1. softmax回归是分类问题 回归(Regression)是用于预测某个值为“多少”的问题,如房屋的价格、患者住院的天数等。 分类(Classification)不是问“多少”,而是问“哪一个”,用于预测某个事物属于哪个类别,如该电子邮件是否是垃圾邮件、该图像是猫还是狗、该用户接下来最有可能看哪
阶(multiplicative order) \(\textbf{Def.}\):\(\delta_m(a)\) 为最小的 \(n\) 使得 \(a^n\equiv 1\pmod m\),其中 \((a,m)=1\)。 Observation 1:\(\boxed{a^0\not\equiv a^1\not\equiv\dots\not\equiv a^{\delta_m(a)-1}\pmod m}\)。 \(\textbf{Proof}
本文公式较多,建议转至博客阅读 (再过几个小时今年的 ACL 就要来了,赶在 ddl 之前, 简单介绍一下韦乐,我,千惠,Börje,Yi Guan 等人在 ACL21 上的这篇工作。 AdvPicker: Effectively Leveraging Unlabeled Data via Adversarial Discriminator for Cross-Lingual NER (ACL-IJCNLP 20
Lab 1: Python exercises for COMP24111 1. Instruction There are a total of 12 exercises. You are asked to complete all of them. Print out the final results, and comment if needed. Make sure your results can be reproduced by your TA using Restart & Run
讲座标题:Introduction to Network Data Analysis 中文标题:网络数据分析导论 讲授者: Dr. Zongming Ma \text{Dr. Zongming Ma} Dr. Zongming