所有文章
> 当前分类:AI驱动
图神经网络(GNN)和神经网络的关系
2024/12/30
1 介绍 深度神经网络由神经元组成，组织成层并相互连接，通过计算图捕捉其架构，其中神经元表示为节点，有向边连接不同层神经元。神经网络性能取决于其架构，但目前对神经网络精度与底层图结构之间的关系尚缺乏系统理解。这直接影响到设...
挑战Transformer！Mamba的架构及实现（Pytorch）
【AI驱动】
Mamba一经出现就在人工智能界掀起波澜，被吹捧为Transformer的竞争对手。到底是什么让Mamba在拥挤的序列建模中脱颖而出? 今天我们来详细研究这篇论文《Mamba:具有选择性状态空间的线性时间序列建模》 在介绍之...
2024/12/30
Python数据挖掘算法入门与实践
【AI驱动】
一、数据挖掘简介 数据挖掘是一个通过对大量数据进行清理和处理，以发现其中隐藏的信息和模式的过程。简单来说，它是从大量数据中提取或“挖掘”知识的过程，也称为知识发现。 随着互联网和移动工具的发展，我们每天产生的数据量非常庞大，这些...
2024/12/30
系统总结！机器学习的模型！
【AI驱动】
一、有监督学习 有监督学习是机器学习中的一种重要方法，它利用带有专家标注的标签训练数据，学习从输入变量X到输出变量Y的函数映射。在这个过程中，每个输入样本都与一个相应的输出标签关联，通过这些关联的样本和标签，机器可以学习到输入和输出之...
2024/12/30
扩散模型的原理及实现（Pytorch）
【AI驱动】
上文我们介绍了OpenAI Sora 文生视频模型再次震撼了AI 圈，并提到了Sora模型实际上是一个扩散模型+Transformer，本文继续讲述扩散模型的发展、原理及代码实践。 扩散模型的导火索，是始于2020 年所提出的...
2024/12/30
Lag-Llama：时间序列大模型开源了！
【AI驱动】
之前我们介绍过TimeGPT，它是第一个时间序列的大模型，具有零样本推理、异常检测等能力。TimeGPT引发了对时间序列基础模型的更多研究，但是它是一个专有模型，只能通过API访问。 如今，终于出现一个用于时间序列预测的开源大模型：L...
2024/12/30
时间序列+Transformer！
【AI驱动】
1 介绍 Transformer在自然语言处理和计算机视觉领域表现优秀，但在时间序列预测方面不如线性模型。 将多个变量嵌入不可区分的通道并应用注意力时，性能和效率不如简单线性层，Transformer难以捕获多元相关性（图1）...
2024/12/30
深度！图解神经网络的数学原理
【AI驱动】
如今，熟练使用像 Keras、TensorFlow 或 PyTorch 之类的专用框架和高级程序库后，我们不用再经常费心考虑神经网络模型的大小，或者记住激活函数和导数的公式什么的。有了这些库和框架，我们创建一个神经网络，哪怕是架构很复杂的网...
2024/12/30
扩散模型+知识图谱的前沿综述
【AI驱动】
知识图谱（图网络）在推荐系统中的重要性不言而喻，但并非所有关系都与目标推荐任务相关。为解决这一问题，本文介绍了名为DiffKG的新的知识图谱扩散模型，结合了生成扩散模型与数据增强范式，实现了鲁棒的知识图谱表示学习。 1 介绍 ...
2024/12/30
一文彻底搞懂深度学习 – 多头注意力（Multi-Head Attention）
【AI驱动】
在深度学习中，多头注意力（Multi-Head Attention）是一种注意力机制。它是对传统注意力机制的一种改进，旨在通过分割输入特征为多个“头部”（head）并独立处理每个头部来提高模型的表达能力和学习能力。 多头注意力...
2024/12/30
时间序列预测的系统总结
【AI驱动】
时间序列预测是我们实际项目场景中经常碰到的一类主题。在这篇文章里简单介绍一下我们观远在时序问题上的一些探索和心得体会。 时序问题的定义和分类 顾名思义，时间序列指的是按照时间顺序先后发生的数据序列，在此基础上，我们会对这个序列做...
2024/12/30
综述论文详解卷积网络的数学本质
【AI驱动】
在该论文中，我们将从卷积架构、组成模块和传播过程等方面了解卷积网络的数学本质。读者可能对卷积网络具体的运算过程比较了解，入门读者也可先查看 Capsule 论文解读的第一部分了解详细的卷积过程，但其实我们一般并不会关注于卷积网络到底在数学上...
2024/12/30
基于对比学习的时间序列异常检测方法
【AI驱动】
导读 时间序列异常检测是一项重要的任务，其目标是从时间序列的正常样本分布中识别异常样本。这一任务的最基本挑战在于学习一个能有效识别异常的表示映射。 它在许多领域中都有广泛的应用，例如工业设备状态监测、金融欺诈检测、故障诊断，以及...
2024/12/30
图神经网络综述：从Deepwalk到GraphSAGE，GCN，GAT
【AI驱动】
1.graph embedding（GE） GE做的事情是将图表示成为低维向量，类似与nlp将词、句子等embedding。distributed representation的一体化过程，万物皆可embedding。 ...
2024/12/30
从 0 实现多分类SVM（Python）
【AI驱动】
本文将首先简要概述支持向量机（SVM）及其训练和推理方程，然后将其转换为代码并开发支持向量机SVM模型。之后将其扩展成多分类的场景，并通过使用Scikit Learn测试我们的模型。 SVM概述 支持向量机的目标是拟合获得最大边...
2024/12/30
深度学习图语义分割的综述
【AI驱动】
1 介绍 图像分割是计算机视觉和机器学习领域发展最快的领域之一，包括分类、分类与定位、目标检测、语义分割、实例分割和Panoptic分割。 语义分割的目标是像素级分类，将属于同一对象类的图像像素聚类在一起。这项工作的重点是语义图...
2024/12/30
搜索文章
热门话题
