Anooyman-优快云博客

原创 Single Agent 阶段性总结

Agent 通常指的是一类具备高度自主性的智能实体，它们能够巧妙地在特定环境里自主感知信息，运用内置的智能算法做出理性决策，进而精准无误地执行相应动作。相较于 RAG（检索增强生成）技术，Agent 可解决诸多难题。RAG 虽擅于知识检索整合，但面对动态变化场景稍显乏力。Agent 则不同，它能实时感知环境动态，主动调整策略。比如在供应链管理中，遇到物流堵塞，Agent 可迅速重新规划配送路径，优化资源分配，保障供应链畅通无阻，而 RAG 很难做到如此灵活应变，全方位提升效率与适应性。

2025-01-12 09:54:31 779

原创 RAG 的总结整理

RAG，全称为 Retrieval-Augmented Generation，即检索增强生成。它是一种结合了检索和生成的技术方法，将传统的基于检索的问答系统和基于自然语言生成的技术相结合，提升了 AI 系统在回答自然语言问题时的准确性和可靠性。

2024-12-22 11:07:40 984

原创 SELF-RAG 论文详解

Self-RAG 详解

2024-02-25 11:12:47 1232

原创 Active RAG -- FLARE 详解

MCU Active RAG -- FLARE 论文详解

2024-01-21 14:53:48 1213

原创减少 LLM 幻觉方法--CoVe

Meta AI，Chain-of-Verification（CoVe）论文详解

2024-01-20 17:15:46 1347

原创 RAG 评估框架 -- ARES

ARES 框架详解

2024-01-15 10:30:00 1542

原创 RAG 评估框架 -- RAGAS

RAG 评估框架 -- RAGAS 详解

2024-01-14 11:41:04 2236

原创 Retrieval-Augmented Generation for Large Language Models: A Survey

在大型语言模型时代，RAG的具体定义是指在回答问题或生成文本时，首先从大量文档中检索相关信息的模型。随后，它利用这些检索到的信息来生成响应或文本，从而提高预测的质量。RAG方法允许开发人员避免为每个特定任务重新训练整个大型模型。

2024-01-07 14:52:19 3376

原创 DragGAN-点对点的手动P图

这项工作旨在为 GAN 开发一种交互式图像操作方法，用户只需点击图像定义一些（handle point，target point）对，然后驱动 handle point 到达它们对应的 target point。

2023-06-04 20:59:22 942 1

原创 Graph Anomaly Detection with Deep Learning——图检测

图异常检测

2022-01-30 16:44:01 3949

原创 Graph Anomaly Detection with Deep Learning——子图检测

子图异常检测

2022-01-25 07:28:31 3800

原创 Graph Anomaly Detection with Deep Learning——边检测

与针对单个节点的异常节点检测不同，异常边缘检测（Anomalous edge detection，ANOS ED）旨在识别异常链路，这些链接通常会通知真实对象之间的意外或异常关系。

2022-01-16 10:11:13 2998 2

原创 Graph Anomaly Detection with Deep Learning——基于属性图的节点异常检测

基于属性图的节点异常检测算法总结

2022-01-15 15:48:43 2947

原创 Graph Anomaly Detection with Deep Learning——节点检测

异常节点的分类全局异常：只考虑节点属性。它们是具有与图中所有其他节点显著不同的属性的节点。结构异常：只考虑图形结构信息。它们是具有不同连接模式的异常节点（例如，连接不同社群，与其他社群形成密集链接）社群异常：既考虑节点属性又考虑图结构信息。它们被定义为与同一社群中的其他节点相比具有不同属性值的节点

2022-01-08 16:32:46 3038

原创 A Comprehensive Survey on Graph Anomaly Detection with Deep Learning——前言

论文：A Comprehensive Survey on Graph Anomaly Detection with Deep Learning论文地址：https://arxiv.org/abs/2106.07178本文的写作动机异常检测是一种数据挖掘过程，旨在识别偏离数据集中大多数数据的异常模式。在这一领域的早期工作中，检测方法在很大程度上依赖于手工制作的特征工程或领域专家构建的统计模型。这内在地限制了这些技术检测未知异常的能力，而且是非常消耗人力的。因此提出了利用图中包含的结构信息，检测图中的异

2021-12-19 13:45:37 1575

原创机器学习——评估方法

留出法将数据集 D 拆分为训练集 S 和测试集 T 正常来说会保留 70% 用作训练，30% 用作测试。采样时采用分层采样（stratified sampling）的方法，即根据样本标签将数据进行分类之后按照对应比例抽取样本一般来说会重复上述抽取训练测试的步骤 n 次，取最后的平均值当作模型的结果缺点：取样随机性导致评估结果与模型最终的结果偏差可能会很大交叉验证法将数据集 D 拆分成 k 个相似并且互斥的子集，每个子集均通过分层采样得到。称之为 k 折交叉验证保留其中一

2021-06-28 16:30:59 1284