- 博客(47)
- 资源 (6)
- 问答 (1)
- 收藏
- 关注
RSS订阅原创 Retrieval-Augmented Generation for Large Language Models: A Survey
在大型语言模型时代，RAG的具体定义是指在回答问题或生成文本时，首先从大量文档中检索相关信息的模型。随后，它利用这些检索到的信息来生成响应或文本，从而提高预测的质量。RAG方法允许开发人员避免为每个特定任务重新训练整个大型模型。
2024-01-07 14:52:19
2246
原创 DragGAN-点对点的手动P图
这项工作旨在为 GAN 开发一种交互式图像操作方法，用户只需点击图像定义一些（handle point，target point）对，然后驱动 handle point 到达它们对应的 target point。
2023-06-04 20:59:22
838
1
原创 Graph Anomaly Detection with Deep Learning——边检测
与针对单个节点的异常节点检测不同，异常边缘检测 （Anomalous edge detection，ANOS ED）旨在识别异常链路，这些链接通常会通知真实对象之间的意外或异常关系。
2022-01-16 10:11:13
2658
2
原创 Graph Anomaly Detection with Deep Learning——基于属性图的节点异常检测
基于属性图的节点异常检测算法总结
2022-01-15 15:48:43
2501
原创 Graph Anomaly Detection with Deep Learning——节点检测
异常节点的分类全局异常：只考虑节点属性。它们是具有与图中所有其他节点显著不同的属性的节点。结构异常：只考虑图形结构信息。它们是具有不同连接模式的异常节点（例如，连接不同社群，与其他社群形成密集链接）社群异常：既考虑节点属性又考虑图结构信息。它们被定义为与同一社群中的其他节点相比具有不同属性值的节点
2022-01-08 16:32:46
2716
原创 A Comprehensive Survey on Graph Anomaly Detection with Deep Learning——前言
论文：A Comprehensive Survey on Graph Anomaly Detection with Deep Learning论文地址：https://arxiv.org/abs/2106.07178本文的写作动机异常检测是一种数据挖掘过程，旨在识别偏离数据集中大多数数据的异常模式。在这一领域的早期工作中，检测方法在很大程度上依赖于手工制作的特征工程或领域专家构建的统计模型。这内在地限制了这些技术检测未知异常的能力，而且是非常消耗人力的。因此提出了利用图中包含的结构信息，检测图中的异
2021-12-19 13:45:37
1392
原创 机器学习——评估方法
留出法 将数据集 D 拆分为 训练集 S 和测试集 T 正常来说会保留 70% 用作训练，30% 用作测试。采样时采用分层采样（stratified sampling）的方法，即根据样本标签将数据进行分类之后按照对应比例抽取样本 一般来说会重复上述抽取训练测试的步骤 n 次，取最后的平均值当作模型的结果 缺点：取样随机性导致评估结果与模型最终的结果偏差可能会很大交叉验证法 将数据集 D 拆分成 k 个相似并且互斥的子集，每个子集均通过分层采样得到。称之为 k 折交叉验证 保留其中一
2021-06-28 16:30:59
1148
原创 机器学习——评价指标
准确率，精确率，召回率，PR曲线，F1分数和ROC曲线下面积（ROC-AUC）都是机器学习领域中较为常用的评价指标。本文将带领大家全面的了解各个指标之间的联系和不同。
2019-04-12 16:36:05
647
Java——AES在Android studio下加解密问题
2016-02-17
TA创建的收藏夹 TA关注的收藏夹
TA关注的人