_Blueblue_-CSDN博客

原创【算法】经典算法题：接雨水 I & II（Python实现）

一、接雨水 Ileetcode.42 链接：https://leetcode.cn/problems/trapping-rain-water/难度：hard这里介绍了两种方法：动态规划（时间和空间复杂度都为O(n)），双指针（时间复杂度O(n)，空间复杂度O(1)）。1、动态规划时间复杂度：O(n)空间复杂度：O(n)（1）算法原理首先，维护两个数组： leftMax：第i个元素表示第i个柱子及左边位置中，height的最大高度。 righ...

2022-05-16 20:17:15 1459

转载【排序算法】Learning to Rank（三）：Pairwise之GBRank

【排序算法】Learning to Rank（一）：简介【排序算法】Learning to Rank（二）：Pairwise之RankSVM 和 IR SVM之前的文章介绍了Learning to Rank的基本原理，也讲到了Learning to Rank的几类常用的方法：pointwise，pairwise，listwise。前面已经介绍了pairwise方法中的 RankSVM 和 IR SVM，这篇博客主要是介绍另一种pairwise的方法：GBRank。转载自：Learning to ..

2022-04-18 10:20:31 670

转载【排序算法】Learning to Rank（二）：Pairwise之RankSVM 和 IR SVM

之前的文章：https://blog.csdn.net/qq_41933740/article/details/124199705中简单介绍了Learning to Rank的基本原理，也讲到了Learning to Rank的几类常用的方法：pointwise，pairwise，listwise。这篇文章就很多公司在实际中通常使用的pairwise的方法进行介绍，首先我们介绍相对简单的 RankSVM 和 IR SVM。转载自：Learning to Rank算法介绍：RankSVM 和 IR SV.

2022-04-17 16:37:24 1153

转载【排序算法】Learning to Rank（一）：简介

Learning to Rank是采用机器学习算法，通过训练模型来解决排序问题，在Information Retrieval，Natural Language Processing，Data Mining等领域有着很多应用。转载自：Learning to Rank简介 - 笨兔勿应 - 博客园目录1. 排序问题1.1 Training Data的生成1.2 Feature的生成1.3 评估指标①NDCG（Normalized Discounted Cumulative Gain.

2022-04-17 15:54:44 506

原创【人脸识别数据集】MS-Celeb-1M 下载、读取、超细处理步骤及踩坑心得

直接上数据集种子下载地址。torrent种子的解压方法见（linux系统）：解压种子链接：【Linux操作】常用命令整理。下载完之后大概230G，我只下载了其中对齐人（FaceimageCroppedWithAlignment.tsv）的部分，大概90G，需要提前分配一下空间。这里提供了干净的数据集列表和重标签后的数据集列表。

2022-01-03 18:45:12 3881 8

原创【算法】七大经典排序算法（Python实现）

1 算法概述1.1 算法复杂度排序方法时间复杂度（平均）时间复杂度（最坏）时间复杂度（最好）空间复杂度稳定性插入排序稳定希尔排序不稳定选择排序不稳定堆排序不稳定冒泡排序 ...

2022-01-01 18:30:38 175

原创【Linux操作】常用命令整理（持续更新中...）

解压缩.tar.bz2压缩tar -cjf images.tar.bz2 ./images/解压缩tar -xjf images.tar.bz2

2021-12-30 11:10:55 1143

原创【联邦/元学习】个性化联邦学习论文笔记：《Improving federated learning personalization via model agnostic meta learning》

论文：《Improving federated learning personalization via model agnostic meta learning》Citation：Y. Jiang, J. Konecny, K. Rush, and S. Kannan, “Improving federated learning personalization via model agnostic meta learning,” arXiv preprint arXiv:1909.12488, 201

2021-10-27 19:48:03 2230 3

原创【关联分析】Apriori和FP-growth的算法原理和Python实现

在机器学习的无监督问题中，常使用关联分析法来发现存在于大量数据集中的关联性或相关性。关联分析是从大量数据中发现项集之间的关联和相关联系，从而描述一个事物中某些属性同时出现的规律和模式。关联分析的一个典型例子是超市购物分析，通过分析顾客购物车中的不同商品之间的联系、哪些商品会被频繁地同时购买，即“哪些商品经常被同时购买？”，来制定超市商品的营销策略等。经典的关联分析方法有Apriori算法和FP-growth算法。目录1、关联分析2. Apriori算法2.1 Apriori原理2.2

2021-10-08 14:39:51 1967 1

原创【元学习】MER代码实现：Task/Class-IL增量场景下的Meta-Experience Replay详解

论文《Learning to learn without forgetting by maximizing transfer and minimizing interference》中提出了“将经验重放与元学习相结合“的增量学习方法：Meta-Experience Replay (MER)。这里整理了一下MER的算法流程和代码实现。论文解析可以戳这里：论文解析：Learning to learn without forgetting by maximizing transfer and mi

2021-09-26 19:29:47 1757 1

原创【元学习】iTAML论文精读：持续/增量学习下与任务无关的元学习模型

论文：J. Rajasegaran, S. Khan, M. Hayat, F. S. Khan, M. Shah, itaml: An incremental task-agnostic meta-learning approach, in: Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2020, pp. 13588–13597.在CVPR2020上发表的一篇结合元学习和增量学习的

2021-09-14 14:20:00 829 4

原创【联邦元学习】论文解读：Federated Meta-Learning for Fraudulent Credit Card Detection

论文：Zheng W, Yan L, Gou C, et al. Federated Meta-Learning for Fraudulent Credit Card Detection[C], Proceedings of the Twenty-Ninth International Joint Conference on Artificial Intelligence Special Track on AI in FinTech. Pages 4654-4660. 2020: 4654-4660.【

2021-09-03 16:36:36 668 1

原创【联邦元学习】读懂Per-FedAvg个性化联邦学习：Personalized Federated Learning: A Meta-Learning Approach

论文：Fallah A, Mokhtari A, Ozdaglar A. Personalized Federated Learning: A Meta-Learning Approach[J]. arXiv pre-print server, 2020.这篇文章提出了FedAvg的变体——Per-FedAvg，旨在解决联邦学习中的个性化问题。在联邦学习中结合元学习模型MAML，试图找出一个全局模型，使之在每个节点针对其自身的损失函数进行更新后均表现良好。【原创，转载需标明出处】论文解析（内含论文原

2021-09-02 14:08:39 1741 1

原创【联邦元学习】解读FedMeta框架：Federated Meta-Learning with Fast Convergence and Efficient Communication

论文：Chen F , Luo M , Dong Z , et al. Federated Meta-Learning with Fast Convergence and Efficient Communication[J]. arXiv, 2018.华为的一篇结合联邦学习和元学习的论文：在联邦框架下，基于MAML或Meta-SGD构建FedMeta模型。【原创，转载需标明出处】论文解析（内含论文原文、代码链接）：https://ripe-heliotrope-6f4.notion.site/Fed

2021-09-01 14:04:02 1406

原创【元学习】MER论文解析：持续/增量学习下的元学习模型

论文:M. Reimer, I. Cases, R. Ajemian, M. Liu, I. Rish, Y. Tu, G. Tesauro, Learning to learn without forgetting by maximizing transfer and minimizing interference, in: ICLR, 2019.提出了Meta-Experience Replay (MER) 模型，将经验重放与基于优化的元学习相结合，基于Reptile元学习模型，以最大限度地转移和.

2021-08-31 17:21:13 970

原创【增量学习】综述解析：A continual learning survey: Defying forgetting in classification tasks

论文：Delange, M., Aljundi, R., Masana, M., Parisot, S., Jia, X., Leonardis, A., Slabaugh, G., Tuytelaars, T., 2021. A continual learning survey: Defying forgetting in classification tasks. IEEE Transactions on Pattern Analysis and Machine Intelligence 1–1.

2021-08-30 15:37:05 1329

原创【增量学习】综述解析：Online Continual Learning in Image Classification: An Empirical Survey

论文：Mai Z , Li R , Jeong J , et al. Online Continual Learning in Image Classification: An Empirical Survey[J]. arXiv, 2021.论文解析（内含论文原文、代码链接）：https://ripe-heliotrope-6f4.notion.site/Online-Continual-Learning-in-Image-Classification-An-Empirical-Survey-25bb

2021-08-30 15:21:37 818

原创【增量学习】Life Long Learning 《李宏毅2021持续/终身学习视频》讲解笔记

原视频网址：https://www.bilibili.com/video/BV1Wv411h7kN?p=84视频学习笔记：https://ripe-heliotrope-6f4.notion.site/Lifelong-Learning-05047c41964c4eacbab023823f1f6bef

2021-08-30 15:06:43 739

BlueBlue