一、介绍什么是半监督学习假设有以下数据，一部分是有标签的数据，另一部分是无标签的数据：{(xr,y^r)}r=1R,{xu}u=RR+U\left \{(x^{r},\hat{y}^{r})\right \}_{r=1}^{R},\left \{x^{u}\right \}_{u=R}^{R+U}{(xr,y^​r)}r=1R​,{xu}u=RR+U​在实际情况下，一般无标签数据的量远大于有标签数

一、概述1. 介绍动态模型可以类比高斯混合模型这种静态模型，高斯混合模型的特点是“混合”，动态模型的特点是在“混合”的基础上加入了“时间”。动态模型包括多种模型：Dynamic  Model{HMMKalman  FilterParticle  FilterDynamic\; Model\left\{\begin{matrix}HMM\\Kalman\; Filter\\Particle\; Fi

一、概述什么是异常检测异常检测（Anomaly Detection）的目的是要让机器“知道它不知道”。具体的，对于给定的训练数据{x1,x2,⋯ ,xN}\left \{x^{1},x^{2},\cdots ,x^{N}\right \}{x1,x2,⋯,xN}，我们希望训练一个Anomaly Detector来检测输入xxx是不是与训练数据时相似的，对于不相似的数据就要判定其为anomaly：对

当然，这篇工作也有局限。以 LLaMA-3.1-8B 为例，本文报告 Memory-R1-GRPO 相对 MemoryOS 在 overall F1、BLEU-1、Judge 上分别带来 28.5%、34.0%、30.2% 的相对提升。第二，Memory-R1 也优于 Memory-SFT。随着模型变大，base model 本身会提升，但 RL fine-tuning 带来的收益仍然存在，说明

一、图的拉普拉斯矩阵拉普拉斯算子拉普拉斯算子（Laplace Operator）是为欧几里德空间中的一个二阶微分算子，定义为梯度的散度，可以写作Δ,∇2,∇⋅∇\Delta ,\nabla ^{2},\nabla \cdot \nablaΔ,∇2,∇⋅∇这几种形式。如果函数fff是二阶可微的实函数，则fff的拉普拉斯算子可以写作：Δf=∇2f=∇⋅∇f\Delta f=\nabla ^{2}f=\

一、Many to one情感分析  存在许多有标签的句子，将这些句子使用RNN读一遍，然后取RNN得最后一个输出作为预测情感的结果进行分类。关键词提取  使用RNN将多篇带有关键词标签的文章读一遍，然后把最后一个最后一个输出拿出来做attention，然后将结果放到前馈网络中去，最后输出文章的关键词。二、Many to ManyMany to Many (输出较短)  在语音辨识中，可以将声音讯

一、概述什么是异常检测异常检测（Anomaly Detection）的目的是要让机器“知道它不知道”。具体的，对于给定的训练数据{x1,x2,⋯ ,xN}\left \{x^{1},x^{2},\cdots ,x^{N}\right \}{x1,x2,⋯,xN}，我们希望训练一个Anomaly Detector来检测输入xxx是不是与训练数据时相似的，对于不相似的数据就要判定其为anomaly：对

一、概述需要做模型压缩的原因在于我们有将模型部署在资源受限的设备上的需求，比如很多移动设备，在这些设备上有受限的存储空间和受限的计算能力。本文主要介绍五种模型压缩的方法：①网络剪枝（Ne...

一、介绍什么是半监督学习假设有以下数据，一部分是有标签的数据，另一部分是无标签的数据：{(xr,y^r)}r=1R,{xu}u=RR+U\left \{(x^{r},\hat{y}^{r})\right \}_{r=1}^{R},\left \{x^{u}\right \}_{u=R}^{R+U}{(xr,y^​r)}r=1R​,{xu}u=RR+U​在实际情况下，一般无标签数据的量远大于有标签数

一、图的拉普拉斯矩阵拉普拉斯算子拉普拉斯算子（Laplace Operator）是为欧几里德空间中的一个二阶微分算子，定义为梯度的散度，可以写作Δ,∇2,∇⋅∇\Delta ,\nabla ^{2},\nabla \cdot \nablaΔ,∇2,∇⋅∇这几种形式。如果函数fff是二阶可微的实函数，则fff的拉普拉斯算子可以写作：Δf=∇2f=∇⋅∇f\Delta f=\nabla ^{2}f=\