via
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 ......
【CVPR2022】Shunted Self-Attention via Multi-Scale Token Aggregation
来自CVPR2022 基于多尺度令牌聚合的分流自注意力 论文地址：[2111.15193] Shunted Self-Attention via Multi-Scale Token Aggregation (arxiv.org) 项目地址：https://github.com/OliverRensu ......
PULSE: Self-Supervised Photo Upsampling via Latent Space Exploration of Generative Models
PULSE: Self-Supervised Photo Upsampling via Latent Space Exploration of Generative Models 阅读笔记（11.2） 摘要：优化MSE指标通常会导致模糊，特别是在高方差(详细)区域。我们提出了一种基于创建正确降尺度的 ......
《White-Box Transformers via Sparse Rate Reduction》论文学习
一、Introduction 近年来，深度学习在处理大量高维多模态数据方面取得了巨大的实证成功。其中很大一部分成功归功于对数据分布的有效学习，然后将分布转化为简洁的结构化和紧凑的表示形式，这有助于许多下游任务（例如视觉、分类、识别和分割以及生成。为此，已提出和实践了许多模型和方法，每种方法都有其优点 ......
Graph transduction via alternating minimization
目录概符号说明GTAM交替优化求解 Wang J., Jebara T. and Chang S. Graph transduction via alternating minimization. ICML, 2008. 概 一种对类别不均更鲁棒的半监督算法. 符号说明 \(\mathcal{X}_ ......
Python PIL 远程命令执行漏洞（via Ghostscript）
目录1.1、漏洞描述1.2、漏洞等级1.3、影响版本1.4、漏洞复现1、基础环境2、漏洞分析3、漏洞验证1.5、深度利用1、反弹Shell 说明 内容 漏洞编号 PIL-CVE-2018-16509 漏洞名称 Python PIL 远程命令执行漏洞 漏洞评级 影响范围 漏洞描述 修复方案 1.1、漏 ......
自定义配置文件参数在application可以直接识别Not registered via @EnableConfigurationProperties or marked as Spring component
自定义配置文件参数在application可以直接识别Not registered via @EnableConfigurationProperties or marked as Spring component 看见很多开源项目的配置文件可以直接配置在application.yaml中，自己也想弄 ......
CF1857C Assembly via Minimums
`2023-08-08 22:58:04 solution` ## 思路： 考虑到一个最小值对答案的贡献，发现如果是序列最小值，因为配对了 $n-1$ 次，而每次配对的结果都是它，所以在 $b$ 中会出现 $n-1$ 次。 同理，次小值（可能与最小值相同）出现 $n-2$ 次，第三小出现 $n-3$ ......
通过提示大语言模型进行个性化推荐LLM-Rec: Personalized Recommendation via Prompting Large Language Models
论文原文地址：https://arxiv.org/abs/2307.15780 本文提出了一种提示LLM并使用其生成的内容增强推荐系统的输入的方法，提高了个性化推荐的效果。 ## LLM-Rec Prompting  on a collected set of ......
论文解读（MetaAdapt）《MetaAdapt: Domain Adaptive Few-Shot Misinformation Detection via Meta Learning》
Note：[ wechat：Y466551 | 可加勿骚扰，付费咨询 ] 论文信息 论文标题：MetaAdapt: Domain Adaptive Few-Shot Misinformation Detection via Meta Learning论文作者：Zhenrui Yue、Huimin Z ......
论文解读（IW-Fit）《Better Fine-Tuning via Instance Weighting for Text Classification》
Note：[ wechat：Y466551 | 可加勿骚扰，付费咨询 ] 论文信息 论文标题：Better Fine-Tuning via Instance Weighting for Text Classification论文作者：论文来源：2021 ACL论文地址：download 论文代码：d ......
论文解读（BSFDA）《Black-box Source-free Domain Adaptation via Two-stage Knowledge Distillation》
Note：[ wechat：Y466551 | 可加勿骚扰，付费咨询 ] 论文信息 论文标题：Black-box Source-free Domain Adaptation via Two-stage Knowledge Distillation论文作者：Shuai Wang, Daoan Zhan ......
[论文精读][计算生物][蛋白质预训练表示]Data-Efficient Protein 3D Geometric Pretraining via Refinement of Diffused Protein Structure Decoy
笔者正在调研市面上的蛋白表示方法，论文方法过于数理的部分会被抽象带过。 ## Basic Information: * Title: Data-Efficient Protein 3D Geometric Pretraining via Refinement of Diffused Protein St ......
SIAMHAN:IPv6 Address Correlation Attacks on TLS E ncrypted Trafic via Siamese Heterogeneous Graph Attention Network解读
1. Address 论文来自于USENIX Security Symposium 2021 2. Paper summary 与ipv4地址采用nat掩盖不同，ipv6地址更加容易关联到用户活动上，从而泄露隐私。但现在已经有解决隐私担忧的方法被部署，导致现有的方法不再可靠。这篇文章发现尽管在有防护 ......
《Decision Transformer: Reinforcement Learning via Sequence Modeling》论文学习
一、Introduction 先前的研究工作表明，Transformer可以对处于高维分布的语义概念进行大规模建模抽象，比较典型地体现如： 基于自然语言的零样本泛化（zero-shot generalization） 分布外图像生成（out-of-distribution image generat ......
[SpringBoot] Not registered via @EnableConfigurationPropertise or marked as Spring component
# 问题描述 在Springboot进行参数绑定时，出现  # 解决 添加以下依赖 ``` org.springf ......
机器翻译 | Improving Neural Machine Translation Robustness via Data Augmentation: Beyond Back Translation论文总结
论文地址：https://arxiv.org/abs/1910.03009 ### 动机 神经机器翻译(NMT)模型在翻译**干净文本**时已被证明是强大的，但它们**对输入中的噪声非常敏感**。改进NMT模型的鲁棒性可以看作是对噪声的“域”适应的一种形式。 最先进的方法严重依赖于大量的反向翻译数据 ......
布线规则-via、阻抗、通流
20200120 Add XXX的PCB Layout布线评审 1、初级的网口走线以及GND和初级抽头之间有间距要求，一般至少20mil；（待确认） 2、初级抽头的泄放路径先经过RC电路，再过压敏；（待确认） 压敏和75ohmRC位置调整，RC调整到靠近抽头。 3、层叠考虑时，在考虑高速走线的情况下 ......
cpp generate uuid via rand() and test speed which is 4 times+ faster than libuuid
// main.cpp #include <algorithm> #include <chrono> #include <cstdio> #include <cstdlib> #include <cstdint> #include <ctime> #include <fstream> #includ ......
Unified Conversational Recommendation Policy Learning via Graph-based Reinforcement Learning
图的作用： 图结构捕捉不同类型节点（即用户、项目和属性）之间丰富的关联信息，使我们能够发现协作用户对属性和项目的偏好。因此，我们可以利用图结构将推荐和对话组件有机地整合在一起，其中对话会话可以被视为在图中维护的节点序列，以动态地利用对话历史来预测下一轮的行动。 由四个主要组件组成：基于图的 MDP ......
机器翻译 | Improving Neural Machine Translation Robustness via Data Augmentation: Beyond Back Translation论文翻译
## 摘要 **神经机器翻译(NMT)模型在翻译干净文本时已被证明是强大的，但它们对输入中的噪声非常敏感**。改进NMT模型的鲁棒性可以看作是对噪声的“域”适应的一种形式。**最近创建的基于噪声文本的机器翻译任务语料库为一些语言对提供了噪声清洁的并行数据，但这些数据在大小和多样性方面非常有限**。最 ......
ESXi 7 patch update via esxcli
ESXI 7 patch update via esxcli zip(2023-07-10)# 開啟ssh(1) 主機屏幕修改連項：Troubleshoot options\Disable ESXi Shell (Enable) & Disable SSH (Enable)Alt+ F1 進入命令行 ......
CoDi: Any-to-Any Generation via Composable Diffusion
我们介绍了一种名为可组合扩散（CoDi）的新型生成模型，能够从任意输入模态的任意组合中生成任意组合的输出模态，例如语言、图像、视频或音频。与现有的生成人工智能系统不同，CoDi能够同时生成多个模态，并且其输入不限于文本或图像等子集模态。尽管许多模态组合缺乏训练数据集，我们提出在输入和输出空间中对模态 ......
Detecting Unknown Encrypted Malicious Traffic in Real Time via Flow Interaction Graph Analysis
# 根据实时流交互图分析技术的未知加密有害流量检测 ## 背景 ### 现有技术的不足 目前的加密流量检测大多基于根据已知攻击的先验知识的监督学习，对于未知类型的攻击难以检测 加密性： DPI检测和传统的基于签名的方法失效 多样性： 现有机器学习方法无法检测未知模式攻击，泛化能力差 ### 论文目的 ......
Windows 10: Open the Command Prompt via Right-Click Context Menu
Windows 10: Open the Command Prompt via Right-Click Context Menu NOTE: By default, certain newer Windows versions show "Open PowerShell window here" i ......
EulerNet Adaptive Feature Interaction Learning via Euler’s Formula for CTR Prediction
[TOC] > [Tian Z., Bai T., Zhao W., Wen J. and Cao Z. Eulernet: Adaptive feature interaction learning via euler’s formula for ctr prediction. SIGIR, 20 ......
C++ multi process share value via write and read data from serialized file,the better way is shared_memory,pipeline,message queue,socket
#include <atomic> #include <chrono> #include <cmath> #include <condition_variable> #include <cstddef> #include <forward_list> #include <fstream> #incl ......