表征专题

NLP-词向量-发展：词袋模型【onehot、tf-idf】 -＞主题模型【LSA、LDA】 -＞词向量静态表征【Word2vec、GloVe、FastText】 -＞词向量动态表征【Bert】

NLP-词向量-发展：词袋模型【onehot、tf-idf】主题模型【LSA、LDA】基于词向量的静态表征【Word2vec、GloVe、FastText】基于词向量的动态表征【Bert】一、词袋模型（Bag-Of-Words） 1、One-Hot 词向量的维数为整个词汇表的长度，对于每个词，将其对应词汇表中的位置置为1，其余维度都置为0。缺点是：维度非常高，编码过于稀疏，易出

GNN-节点向量(Node Embedding)的表征学习-发展：随机游走/一阶二阶相似度(静态表征)【直接学习出各个节点的向量表示】 --＞图卷积(动态表征)【学习节点间聚合函数的参数】

静态表征基于“随机游走”、“Word2vec”的：DeepWalk、Node2vec、Metapath2vec；基于“一阶相似度”、“二阶相似度”的：LINE、SDNE；动态表征（GCN、GraphSAGE、GAT）【训练聚合函数的参数】

GNN-静态表征-随机游走-2014：DeepWalk【步骤：①随机游走策略生成每个节点的训练序列（DFS），得到训练数据集；②套用Word2vec算法得到节点表示】【捕获二阶相似度】【浅层、同质图】

一、概述 1、 2、DeepWalk、LINE、Node2vec对比提出的顺序DeepWalk 2014, UNE 2015, Node2Vec 2016 Node2Vec设置 p = q = 1 p=q =1

智能的瓶颈在于事物表征的弥散与聚合性（弥聚性）

动态“弥散与聚合性”（弥聚性）是智能系统面临的一个重要挑战。这个概念涉及如何在处理信息时平衡广度和深度，以及如何有效地表征和组织知识。（1）弥散性弥散性指的是信息或知识的分散性和多样性。智能系统需要处理来自不同来源的多样化信息，这些信息可能具有不同的形式、背景和上下文。数据集成是如何将来自不同源的信息有效地整合在一起，以形成一个全面的理解。噪声处理则是如何从大量的非结构化或不相关的信息中提

YOLOv8改进 | 模块缝合 | C2f融合多尺度表征学习模块【含OD、RTDETR、OBB等yaml文件】

秋招面试专栏推荐：深度学习算法工程师面试问题总结【百面算法工程师】——点击即可跳转 💡💡💡本专栏所有程序均经过测试，可成功执行💡💡💡 专栏目录：《YOLOv8改进有效涨点》专栏介绍 & 专栏目录 | 目前已有100+篇内容，内含各种Head检测头、损失函数Loss、Backbone、Neck、NMS等创新点改进——点击即可跳转本文介绍的Multi-Scale是基

【论文阅读】通用的语义-几何表征的机器人操作

文章目录 1. 【2023CoRL】A Universal Semantic-Geometric Representation for Robotic Manipulation针对痛点和贡献引言模型框架思考不足之处 2. Leveraging Locality to Boost Sample Efficiency in Robotic Manipulation摘要和结论引言模型框架实验思考不

Simple-STNDT使用Transformer进行Spike信号的表征学习（一）数据处理篇

文章目录 1.数据处理部分1.1 下载数据集1.2 数据集预处理1.3 划分train-val并创建Dataset对象1.4 掩码mask操作数据、评估标准见NLB2021 https://neurallatents.github.io/ 以下代码依据 https://github.com/trungle93/STNDT 原代码使用了 Ray+Config文件进行了参数搜

精通推荐算法8：Embedding表征学习 -- 总体架构

1 Embedding表征学习的总体架构目前，推荐算法精排模型大多基于Embedding + MLP范式，模型底层是Embedding层，作用是将高维稀疏的输入特征转换为低维稠密的特征向量，并实现一定的模糊查找能力。模型上层是MLP层，作用是对特征向量进行交叉和融合，并提取高阶信息，得到最终输出。Embedding作为推荐模型的第一层，拥有绝大多数参数，意义重大。 Embedding表征学习

对比表征学习（一）Contrastive Representation Learning

对比表征学习（一）主要参考翁莉莲的Blog，本文主要聚焦于对比损失函数对比表示学习（Contrastive Representation Learning）可以用来优化嵌入空间，使相似的数据靠近，不相似的数据拉远。同时在面对无监督数据集时，对比学习是一种极其有效的自监督学习方式对比学习目标在最早期的对比学习中只有一个正样本和一个负样本进行比较，在当前的训练目标中，一个批次的数

【论文阅读】使用深度学习及格子玻尔兹曼模拟对SEM图像表征粘土结构及其对储层的影响

文章目录 0、论文基本信息1、深度学习2、可运行程序—Matlab3、深度切片3、LBM模拟4、局限性 0、论文基本信息论文标题：Characterizing clay textures and their impact on the reservoir using deep learning and Lattice-Boltzmann simulation applied t

一种基于电场连续性的高压MOSFET紧凑模型，用于精确表征电容特性

来源：A Compact Model of High-Voltage MOSFET Based on Electric Field Continuity for Accurate Characterization of Capacitance（TED 24年）摘要本文提出了一种新的高压MOSFET（HV MOS）紧凑模型，以消除现有模型中过高电容峰值的问题。与现有的改进电容模型方法相比，所

Python图嵌入信息潜在表征算法

表征和基于结构的蛋白质工程：黄芪特异性皂苷乙酰转移酶-文献精读14

Characterization and structure-based protein engineering of a regiospecific saponin acetyltransferase from Astragalus membranaceus 表征和基于结构的蛋白质工程：黄芪特异性皂苷乙酰转移酶，一篇乙酰基转移酶文章精读分享~ 摘要乙酰化有助于许多具有药用重要性的天然

RoNID：通过生成可靠标签与聚类友好型表征来实现新意图的发现

论文地址：https://arxiv.org/abs/2404.08977 原文地址：intents-are-not-going-away-ronid-is-a-new-intent-discovery-framework 2024 年 4 月 26 日 Robust New Intent Discovery（RoNID）框架致力于在开放域场景中识别已知意图并合理推断新意图组。问题

图神经网络与分子表征：7. LEFTNet

在执行性质预测任务时，我们需要考虑两个问题：1. 如何正确的将图结构进行编码？2. 如何汇聚编码信息预测整个分子的任务？ LEFTNet 就是通过回答上述问题来进行模型设计的。原文地址算法设计原文中，作者定义了三个图同构问题：树同构：任意邻接的两原子间的距离一致即可三角同构：任意邻接的三原子构成的三角形一致子图同构：任意两个三角形的相对位置保持一致作者认为，一个好的编码器能够甄别

NLP 文本表征方式

在自然语言处理（NLP）领域，将文本转换成计算机能够理解和处理的格式是一个基本的步骤。这个过程通常被称为文本表征或文本向量化。下面，我将详细介绍几种常见的文本表征方法，并提供一些例子来说明这些技术是如何应用的。 One-Hot 编码这是最简单的文本表征方法之一。在这种方法中，每个词都被转换为一个很长的向量。向量的长度等于词汇表中词的数量，向量中只有一个位置是1，其余位置都是0。这个位置对应于词

$基于变压器的手持式超声图像中乳腺病变的分类不一致性测量表征$