时间序列数据挖掘（二） 机器学习+统计学+kdd1718论文机器学习下的时间序列统计学下的时间序列KDD2017论文 Tripoles: A New Class of Relationships in Time Series DataAbstract 摘要Keywords 关键词Introduction 介绍Definitions 定义Proposed approach 提出的方法naive

http://www.colblog.net/node/34 下面是在读Zend手册9.8 Zend_Db_Table Relationships时，对重要的地方的摘录，翻译，还有很多自己的解释。由于时间有限，就不全部翻译了： 介绍： 在RDBMS中，表之间有着各种关系，有一多对应，多多对应等等。 Zend框架提供了一些方法来方便我们实现这些关系。 定义关系： 下面是本文用的例子的

用深度关系网络检测视觉关系 物体之间的关系在图像理解中起着重要的作用，以前的研究方法将“关系”作为一个分类问题，每一种关系类型（如：‘骑’）或每个不同的视觉短语（如‘人-骑-马’）作为一个类别。但这种存在缺陷，例如视觉外观多样，视觉短语多样。针对此，本文建立一个综合框架来解决这个问题。框架的核心就是 深度关系网络 1. 引言 早期将视觉关系视为一个分类任务，考虑将对象和关系谓词的不同组合作为

文章目录 总结细节实验 总结 每个task分开emb，每个task分开attention 细节 现有的方法对任务间的relationship敏感 MTL 改进1: 不使用shared-bottom，使用单独的参数，但是加一个多个task参数之间的L2正则 shared-bottom，共用emb，每个任务上再套一个tower network。这种做法可以降低overf

摘要 具身智能任务从关注互联网图像的任务转向涉及具身Agent的主动设置，这些Agent在3D环境中感知和行动。本文研究了在三维室内场景中使用深度强化学习(DRL)的目标驱动视觉导航，其导航任务旨在训练一个智能体，该智能体可以仅基于自我中心视图，从任何可能的起始位置智能地做出一系列决策，以到达预先指定的目标位置。 然而，目前大多数导航方法都面临着一些具有挑战性的问题，如数据效率、自动避障和泛化。

使用建议级和语义级关系的弱监督对象检测方法 1 INTRODUCTION4 THE PROPOSED APPROACH4.1 The Overall Framework4.3 Multi-Label Reasoning Branch 5 EXPERIMENTS 1 INTRODUCTION Fig. 1，通过利用丰富的上下文关系，强推理能力可以弥补在弱监督下学习时具体监督信息的缺