self-training adaptation training domain
【找到 Anchor-based and Anchor-free 性能差距的本质】Adaptive Training Sample Selection (ATSS) 论文精读
原始题目：Bridging the Gap Between Anchor-based and Anchor-free Detection via Adaptive Training Sample Selection 中文翻译：通过 自适应训练样本选择 缩小 Anchor-based and Anch ......
[论文阅读] PCL: Proxy-based Contrastive Learning for Domain Generalization
PCL: Proxy-based Contrastive Learning for Domain Generalization abstract 领域泛化是指从不同源领域的集合中训练模型，该模型可以直接泛化到未见过的目标领域的问题。一种有前途的解决方案是对比学习，它试图通过利用不同领域之间的样本对之 ......
GraphPrompt: Unifying Pre-Training and Downstream Tasks for Graph Neural Networks
目录概符号说明GraphPrompt代码 Liu Z., Yu X., Fang Y. and Zhang X. GraphPrompt: Unifying pre-training and downstream tasks for graph neural networks. WWW, 2023. ......
GPT-GNN: Generative Pre-Training of Graph Neural Networks
目录概符号说明GPT-GNN代码 Hu Z., Dong Y., Wang K., Chang K. and Sun Y. GPT-GNN: Generative pre-training of graph neural networks. KDD, 2020. 概 比较早的一篇图预训练模型. 符号 ......
Open Domain Question Answering Using Early Fusion of Knowledge Bases and Text
目录概主要内容代码 Sun H., Dhingra B., Zaheer M., Mazaitis K., Salakhutdinov R. and Cohen W. W. Open domain question answering using early fusion of knowledge ......
[论文阅读] Generalizing to Unseen Domains: A Survey on Domain Generalization
Generalizing to Unseen Domains: A Survey on Domain Generalization 代码地址：https://github.com/jindongwang/transferlearning/tree/master/code/DeepDG I. Intr ......
Internet-augmented language models through few-shot prompting for open-domain question answering阅读笔记
Internet-augmented language models through few-shot prompting for open-domain question answering 其实我没怎么正经读过论文，尤其是带实验的，我目前认真读过的（大部头）也就是一些LLM的综述。记录这个文档主 ......
CF814B An express train to reveries
思维好题，保证有解大大降低了代码难度。 显然最多有两个位置不同，不然根据鸽巢原理一定有一个序列不同位置超过一个。 然后大力分类讨论： 仅有一个位置不同。此时其余位置与排列相同，否则一定有一个序列不同位置超过一个。然后将没有用过的那个数丢到这个位置即可。 有两个位置不同。此时其余位置显然也与排列相同。 ......
2023ICCV_Generalized Lightness Adaptation with Channel Selective Normalization
一. Motivatetion 跨域效果不好：在已知亮度的数据集上表现良好，在未知亮度的数据集上表现不好，泛化性能较差。 挑战：如何识别和亮度相关的通道并进行选择，并且获得泛化能力 归一化：从给定特征中提取不变的良好的良好特性，特别对于亮度分量 [ 归一化和亮度相关的特性： 1. 亮度一致性： 实例 ......
[论文阅读] Exact Feature Distribution Matching for Arbitrary Style Transfer and Domain Generalization
Exact Feature Distribution Matching for Arbitrary Style Transfer and Domain Generalization 论文源码：https://github.com/YBZh/EFDM 1. Introduction 传统的特征分布匹配 ......
【PRC】鲁棒跨域伪标记和对比学习的无监督域自适应NIR-VIS人脸识别 Robust Cross-Domain Pseudo-Labeling and Contrastive Learning for Unsupervised Domain Adaptation NIR-VIS Face Recognition
【该文章为杨学长的文章，膜拜】 探索跨领域数据中的内在关系并学习领域不变表示 由于需要在低光照条件下实现24h的人脸识别，近红外加可见光的(NIR-VIS)人脸识别受到了更多的关注。但是数据标注是一个难点。该文章提出了Robust crossdomain Pseudo-labeling and Co ......
Adapter（适配器）
目的:将不兼容的接口转换为客户期待的接口。使得原本不兼容的接口可以一起工作 注： Adapter（适配器）就是目标期待的接口。 实质上就多态的运用 客户期待类 XXX = new 适配器 适配器是通过继承，内部进行方法重写改装，添加不兼容的接口功能。 代码如下 ......
java框架中的controller层、dao层、domain层、service层、view层【转】
1.Controller层:接口层，用户访问请求时对接。 Controller层负责具体的业务模块流程的控制，在此层里面要调用Serice层的接口来控制业务流程，控制的配置也同样是在Spring的配置文件里面进行，针对具体的业务流程，会有不同的控制器，我们具体的设计过程中可以将流程进行抽象归纳，设计 ......
DDD（Domain-Driven Design，领域驱动设计）
一、什么是DDD DDD指通过统一语言、业务抽象、领域划分和领域建模等一些列手段来控制软件复杂度的方法论，主要是用来指导如何解耦业务系统，划分业务模块，定义业务领域模型及其交互。 二、领域驱动 开发过程不再以数据模型为起点，而是以领域模型为出发点，领域模型对应业务实体。 程序中主要表现为类、聚合根和 ......
Unix domain socket 简介
原文: https://www.cnblogs.com/sparkdev/p/8359028.html Unix domain socket 又叫 IPC(inter-process communication 进程间通信) socket，用于实现同一主机上的进程间通信。socket 原本是为网络通 ......
【论文笔记】A theory of learning from different domains
防盗 https://www.cnblogs.com/setdong/p/17756127.html domain adaptation 领域理论方向的重要论文. 这篇笔记主要是推导文章中的定理, 还有分析定理的直观解释. 笔记中的章节号与论文中的保持一致. 1. Introduction doma ......
SAP ABAP 域(domain)固定值读取方法
1 SELECT SINGLE VALPOS 2 FROM DD07V 3 INTO @DATA(GT_DD07V) 4 WHERE DOMNAME = 'ZSTUTYPE' AND VALPOS = @P_ZSTUTYP."域名和值 5 IF SY-SUBRC <> 0. 6 MESSAGE TE ......
DDD（Domain-Driven Design，领域驱动设计）
DDD（Domain-Driven Design，领域驱动设计）是一种软件开发方法论，它注重对业务领域的深入理解，并将领域模型作为软件设计的核心。在DDD中，领域模型是通过对业务领域的分析和抽象而得到的，它是对业务领域中的概念、规则、行为等的描述。 领域模型的设计是DDD中的一个重要环节，它需要开发 ......
学习笔记425—train_test_split 函数介绍
train_test_split 函数介绍 在机器学习中，我们通常将原始数据按照比例分割为“测试集”和“训练集”，从 sklearn.model_selection 中调用train_test_split 函数 简单用法如下： X_train,X_test, y_train, y_test =skl ......
状态: 失败 -测试失败: IO 错误: The Network Adapter could not establish the connection (CONNECTION_ID=BMRc/8PgR2+0i4PK2tnHQA==)
1.问题 问题如标题所示，在使用Oracle SQL Developer连接时发现错误： 状态: 失败 -测试失败: IO 错误: The Network Adapter could not establish the connection (CONNECTION_ID=BMRc/8PgR2+0i4 ......
typescript: Adapter pattern
/** * Adapter pattern 适配器是一种结构型设计模式， 它能使不兼容的对象能够相互合作。 * file: Adapterts.ts * * */ /** * The Target defines the domain-specific interface used by the c ......
在 SDXL 上用 T2I-Adapter 实现高效可控的文生图
T2I-Adapter 是一种高效的即插即用模型，其能对冻结的预训练大型文生图模型提供额外引导。T2I-Adapter 将 T2I 模型中的内部知识与外部控制信号结合起来。我们可以根据不同的情况训练各种适配器，实现丰富的控制和编辑效果。 同期的 ControlNet 也有类似的功能且已有广泛的应用。 ......
domain 词
ba bo be x bi bu ca x co x ce x ci x cu x da do x de di du fa fo x fe x fi x fu ga x go x ge gi x gu ha ho x he hi x hu ja x jo x je x ji ju ka ko x k ......
【流行前沿】DRAG Divergence-based Adaptive Aggregation in Federated learning on Non-IID Data
今天再分享一篇9月的联邦学习领域处理异构数据分布的文章。看挂名是复旦的王昕，总的来说只能算是踏实的工作，但是新意上确实不太够。 文章的主要处理对象是解决异构数据在联邦训练中的client-drift问题，当然与很多相似论文一样，也将这个方法迁移到了拜占庭攻击的防范上。不过这个robustness仅通 ......
k8s 监控（三）prometheus-adapter
原文链接： https://juejin.cn/post/6844903967218991117 kubernetes apiserver 提供了两种 api 用于监控指标相关的操作： resource metrics API：被设计用来给 k8s 核心组件提供监控指标，例如 kubectl top ......
完善虚拟的I2C\_Adapter驱动并模拟EEPROM-12
使用GPIO模拟I2C的驱动程序分析 参考资料： i2c_spec.pdf Linux文档 Linux-5.4\Documentation\devicetree\bindings\i2c\i2c-gpio.yaml Linux-4.9.88\Documentation\devicetree\bind ......
I2c_Adapter驱动框架讲解与编写-11
参考资料： Linux内核文档: Linux-4.9.88\Documentation\devicetree\bindings\i2c\i2c-gpio.txt Linux-5.4\Documentation\devicetree\bindings\i2c\i2c-gpio.yaml Linux内核 ......
k8s 自动扩缩容HPA原理及adapter配置详解
大家好，我是蓝胖子，都知道，k8s拥有自动扩缩容机制HPA，我们能够通过配置针对不同的扩缩容场景进行自动扩缩容，往往初学者在面对其中繁多配置的时候会学了又忘记，今天我将会以一种不同的视角，结合api server 请求 来探索这部分的配置，看完本篇，应该会对扩缩容这部分配置会有更深的理解。 自动扩缩 ......
Varibad：A very good method for bayes-adaptive deep rl via meta-learning
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！ Published as a conference paper at ICLR 2020 ABSTRACT 1 INTRODUCTION 2 BACKGROUND 2.1 TRAINING SETUP 2.2 BAYESIAN REINF ......