526互联

applications approaches extraction learning

learn c++ 变量作用域

#include <iostream> int a{ 100 }; int main() { int a{160}; { std::cout << a << std::endl; char a = 'a'; std::cout << a << std::endl; std::cout << ::a ......
变量 作用 learn

Off-Policy Deep Reinforcement Learning without Exploration

**发表时间：**2019（ICML 2019） **文章要点：**这篇文章想说在offline RL的setting下，由于外推误差（extrapolation errors）的原因，标准的off-policy算法比如DQN，DDPG之类的，如果数据的分布和当前policy的分布差距很大的话，那就 ......
Reinforcement Exploration Off-Policy Learning without

《AutoInt: Automatic Feature Interaction Learning via Self-Attentive Neural Networks》特征交叉论文阅读

背景 这是一篇利用多头attention机制来做特征交叉的论文 模型结构 AutoInt的模型结构如上图所示，搞模型包含 Embedding Layer、Interacting Layer、Output Layer三个部分，其中Embedding Layer和Output Layer和普通模型没什么 ......
Self-Attentive Interaction Attentive Automatic Learning

【图像数据增强】Image Data Augmentation for Deep Learning: A Survey

| 原始题目 | Image Data Augmentation for Deep Learning: A Survey | | | | | 中文名称 | 深度学习的图像数据增强:综述 | | 发表时间 | 2022年4月19日 | | 平台 | arXiv | | 来源 | 南京大学 | | 文章 ......
Augmentation Learning 图像 数据 Survey

Jan 2023-Prioritizing Samples in Reinforcement Learning with Reducible Loss

#1 Introduction 本文建议根据样本的可学习性进行抽样，而不是从经验回放中随机抽样。如果有可能减少代理对该样本的损失，则认为该样本是可学习的。我们将可以减少样本损失的数量称为其可减少损失(ReLo)。这与Schaul等人[2016]的vanilla优先级不同，后者只是对具有高损失的样本给 ......
Reinforcement Prioritizing Reducible Learning Samples

MySQL中json_extract函数说明

1. json_extract 使用场景说明在日常业务开发中通常mysql数据库中某个字段会需要存储json格式字符串，查询的时候有时json数据较大，每次全部取出再去解析查询效率较低，也较麻烦.好在Mysql5.7及之后的版本里提供了json_extract函数，可以通过key查询value值(如 ......
json_extract 函数 extract MySQL json

springboot中使用application.properties配置mysql和sqlserver

1.使用依赖 * mysql： <dependency> <groupId>mysql</groupId> <artifactId>mysql-connector-java</artifactId></dependency>* sqlserver： <dependency> <groupId>com ......
application springboot properties sqlserver mysql

Oracle 集合-Learning-1

集合-Test1 bulk collect into 批量插入，可用limit 限制插入行数 type ... is table of DataType Index by binary_Integer 其中 index by binary_integer 在定义schema级 type 时没有使用， ......
Learning Oracle

Short-Term Plasticity Neurons Learning to Learn and Forget

郑重声明：原文参见标题，如有侵权，请联系作者，将会撤销发布！ Proceedings of the 39th International Conference on Machine Learning ......
Short-Term Plasticity Learning Neurons Forget

什么是 SAP UI5 Application Index

SAP UI5 Application Index是一个集成在SAP Fiori Launchpad 中的应用程序索引。它提供了一个集中式的位置，用于展示和访问已安装的SAP UI5应用程序。 在SAP Fiori Launchpad的主页上，用户可以看到一个应用程序索引页面，其中包含了所有已经安装 ......
Application Index SAP UI5 UI

SAP Fiori Tools 的 Application Reload Middleware 介绍

通过 application reload middleware 的帮助, 开发者可以在进行 Fiori Elements 开发的过程中，即时预览这些尚未完全完成开发的应用。 即时的意思是，一旦有 Fiori Elements 项目相关的文件发生变化，Application Reload middl ......
Application Middleware Reload Fiori Tools

论文阅读笔记《Training Socially Engaging Robots Modeling Backchannel Behaviors with Batch Reinforcement Learning》

Training Socially Engaging Robots Modeling Backchannel Behaviors with Batch Reinforcement Learning 训练社交机器人：使用批量强化学习对反馈信号行为进行建模 发表于TAC 2022。 Hussain N, ......
Reinforcement Backchannel Behaviors Training Socially

Robust Deep Reinforcement Learning through Adversarial Loss

郑重声明：原文参见标题，如有侵权，请联系作者，将会撤销发布！ 35th Conference on Neural Information Processing Systems (NeurIPS 2021) Abstract 最近的研究表明，深度强化学习智能体很容易受到智能体输入上的小对抗性扰动的影响 ......
Reinforcement Adversarial Learning through Robust

ts中（Exclude，Extract，Omit，Pick）

interface UserInfo { username: string password: string gender: number } type People = Pick<UserInfo, 'username'> type Tome = Omit<UserInfo, 'gender'> ......
Exclude Extract Omit Pick

【五期邹昱夫】CCF-A（NeurIPS'19）Inverting gradients-how easy is it to break privacy in federated learning?

"Geiping J, Bauermeister H, Dröge H, et al. Inverting gradients-how easy is it to break privacy in federated learning?[J]. Advances in Neural Informat ......
gradients-how Inverting gradients federated learning

ETL--Extract-Transform-Load

ETL，是英文Extract-Transform-Load的缩写，用来描述将数据从来源端经过抽取（extract）、转换（transform）、加载（load）至目的端的过程。ETL一词较常用在数据仓库，但其对象并不限于数据仓库。 ETL是将业务系统的数据经过抽取、清洗转换之后加载到数据仓库的过程， ......
Extract-Transform-Load Transform Extract Load ETL

论文阅读 | Déjà Vu? Client-Side Fingerprinting and Version Detection of Web Application Software 似曾相识？ Web应用软件的客户端指纹识别与版本检测

https://ieeexplore.ieee.org/abstract/document/9524885 Introduction 在这项工作中，我们提出了一种新颖的方法，该方法能够使用被动扫描技术为不同的 Web 应用程序自动构建指纹。除了资产文件的哈希值，我们还建议在指纹识别过程中使用 XPa ......
指纹识别 指纹 似曾相识 Fingerprinting Client-Side

prompt learning如何计算损失的

在prompt learning中,对于一个类别的多个候选词,损失函数通常会计算所有词的logit和,并与真实标签作比较。以情感分类为例: 假设正面类别有两个候选词:“positive”和“optimistic”。负面类别有两个候选词:“negative”和“pessimistic”。 然后模型会计 ......
learning 损失 prompt

论文解读（ID-MixGCL）《ID-MixGCL: Identity Mixup for Graph Contrastive Learning》

论文信息 论文标题：ID-MixGCL: Identity Mixup for Graph Contrastive Learning论文作者：Gehang Zhang.....论文来源：2023 aRxiv论文地址：download 论文代码：download视屏讲解：click 介绍 ......
ID-MixGCL MixGCL Contrastive Identity Learning

Heuristic-Guided Reinforcement Learning

**发表时间：**2021 (NeurIPS 2021) **文章要点：**这篇文章提出了一个Heuristic-Guided Reinforcement Learning (HuRL)的框架，用domain knowledge或者offline data构建heuristic，将问题变成一个sho ......
Heuristic-Guided Reinforcement Heuristic Learning Guided

Medicine River ————-Learning journals 9

Dear dairy. 2020 6 May Hey, Harlan, long time no see. How have you been lately? I've been quite busy lately. I hope you don't blame me for not coming ......
Medicine Learning journals River

LLL(Life Long Learning)&灾难性遗忘(Catastrophic Forgetting)

LLL(Life Long Learning)&灾难性遗忘(Catastrophic Forgetting) https://www.youtube.com/watch?v=Y9Jay_vxOsM Life Long Learning 通常机器学习中，单个模型只解决单个或少数几个任务。对于新的任务， ......
灾难性 Catastrophic Forgetting 灾难 Learning

使用nacos配置，启动服务时一直报 Error starting ApplicationContext. To display the conditions report re-run your application with 'debug' enabled. APPLICATION FAILED TO START

报错日志如下： Error starting ApplicationContext. To display the conditions report re-run your application with 'debug' enabled.-2023-05-05 09:46:02.328 [TID ......
ApplicationContext APPLICATION application conditions starting

使用nacos配置无效,原因：项目中 gateway服务配置的 application的name：@artifactId@ 和nacos上配置的DataID 不一致导致

遇到一个问题，项目启动后一致无法正常登陆进入后端，登陆时一直报错返回null，排查后发现是自己粗心，项目中 gateway服务配置的 application的name：@artifactId@ 和nacos上配置的DataID 不一致导致 如图，修改前： 本地登录时： 本地项目配置-使用默认的项目的 ......
服务配置 nacos application artifactId 原因

Error:All flavors must now belong to a named flavor dimension. Learn more at

{ https://blog.csdn.net/qq_15807167/article/details/79528063 } 这是plugin 3.0.0之后有一种自动匹配消耗库的机制，便于debug variant 自动消耗一个库，然后就是必须要所有的flavor 都属于同一个维 defaultC ......
dimension flavors belong flavor Error

httprunner 4.x学习 - 4.提取返回结果与校验（extract, validate）

前言 HttpRunner4.x 支持 2 种响应结果字段提取方式：jmespath 表达式和 正则表达式（regex） 响应结果为 JSON 结构，支持采用 jmespath 表达式进行参数提取。jmespath表达式，有关更多详细信息，请参考JMESPath教程https://jmespath. ......
httprunner validate extract 结果

post请求application/x-www-form-urlencoded

import org.springframework.http.HttpHeaders; import org.springframework.http.MediaType;import org.springframework.web.client.RestTemplateimport org.sp ......
x-www-form-urlencoded application urlencoded post form

Robust Deep Reinforcement Learning against Adversarial Perturbations on State Observations

郑重声明：原文参见标题，如有侵权，请联系作者，将会撤销发布！ NeurIPS 2020 ......
Reinforcement Perturbations Observations Adversarial Learning

李宏毅meta learning笔记

学习如何学习 其实就是学习模型本身，模型的超参数 定义一个function，输入是一堆训练任务，输出是一个模型，这个和传统的机器学习没有本质不同 所以也是分成三步， 定义学什么，和相应的学习模型，meta learning本身也是有meta的。。。。。。 定义loss函数 用优化算法求解，但是这个L ......
learning 笔记 meta

Learning A Single Network for Scale-Arbitrary Super-Resolution

Learning A Single Network for Scale-Arbitrary Super-Resolution abstract 现有的single image SR网络是为具有特定整数比例因子（例如，×2/3/4）的图像开发的，无法处理非整数和非对称 SR。 在本文中，作者建议从特定 ......
Super-Resolution Scale-Arbitrary Resolution Arbitrary Learning
共710篇  :19/24页 首页上一页19下一页尾页