让违法者无处遁形!

高分二号卫星全解析:从光谱波段到城市治理实战 本文全面解析高分二号卫星(GF-2)的技术特点与城市治理应用,涵盖其0.8米高分辨率、多光谱波段分析及快速机动能力。通过实际案例展示其在违建监测、重大工程跟踪及农业管理中的卓越表现,为遥感技术在城市治理和国土资源监测中的高效应用提供专业指导。 阅读详情


✨✨ 欢迎大家来访Srlua的博文(づ ̄3 ̄)づ╭❤~✨✨

🌟🌟 欢迎各位亲爱的读者,感谢你们抽出宝贵的时间来阅读我的文章。

我是Srlua小谢,在这里我会分享我的知识和经验。🎥

希望在这里,我们能一起探索IT世界的奥妙,提升我们的技能。🔮

记得先点赞👍后阅读哦~ 👏👏

📘📚 所属专栏:传知代码论文复现

欢迎访问我的主页:Srlua小谢 获取更多信息和资源。✨✨🌙🌙

​​

​​

​​​

目录

预测不法分子的行踪!

一、研究背景

二、模型结构和代码

多视图区域图 

信息传播范式

三、性能展示

六、实现过程

七、运行过程


本文所有资源均可在该地址处获取。

预测不法分子的行踪!

城市犯罪预测任务旨在预测未来时间段内将发生的犯罪事件的数量。我们对从芝加哥(2018 年)和纽约市(2019 年)收集的两个现实世界犯罪数据集进行了实验。我们将其用作预训练模块来与最先进的犯罪预测模型 ST-SHN 集成。然后使用 ST-SHN 对所提出模型的编码区域嵌入进行微调。 我们遵循与 ST-SHN 相同的设置,包括区域划分策略(芝加哥:234 个区域,纽约市:180 个区域)、训练/测试数据分割和评估指标(MAE 和 MAPE)。为了节省空间,我们报告了不同犯罪类别(例如盗窃、袭击和抢劫)的总体预测准确性。

【注】 文章中所用到的数据集,都经过预处理的数据集文件(.pkl),同样的,我们也给出了原数据集的下载链接,代码和数据集都放在了附件中,感兴趣的小伙伴可以进行下载,谢谢支持!

一、研究背景

时空图学习已成为一种有前途的解决方案,用于对结构化时空数据进行建模并学习各种城市感知任务(例如犯罪预测和交通流量预测)的区域表示。然而,由于不准确的图结构信息聚合模式,大多数现有模型容易受到生成区域图质量的影响。现实生活场景中普遍存在的时空数据噪声和不完整性给生成高质量的区域表示带来了挑战。为了应对这一挑战,我提出了一种新的时空图学习模型,以实现有效的自我监督学习。我提出的模型是一种对抗性对比学习范式,可以自动蒸馏关键的多视图自我监督信息,以实现鲁棒的时空图增强。 使模型能够自适应地识别硬样本,以实现更好的自我监督,从而增强表示辨别能力和鲁棒性。此外,还引入了跨视图对比学习范式来建模跨视图特定区域表示的相互依赖性并保留潜在的关系异质性。

二、模型结构和代码

1. 图增强时空学习
我开发了一个增强图的时空学习框架,专门用于提取区域之间的底层时空关系,通过全面捕捉来自不同角度的动态区域依赖关系,如POI语义、城市流动过渡和地理位置。通过使用 Skip-gram 和 MLP 在嵌入空间中保持 POI 语义的方法,将 POI 矩阵 P∈RJ×CP∈RJ×C 嵌入到一组潜在表示中。具体而言,应用 Skip-gram 来捕捉每个 POI 的上下文信息,然后使用 MLP 将这些上下文嵌入转换为最终的 POI 嵌入。此方法使我们能够捕捉 POI 之间的语义相关性,并在嵌入空间中保持这些信息。在结果矩阵 Eˉ∈RJ×dEˉ∈RJ×d 中,每行对应一个个体区域 rjrj​ 的 dd 维向量。

多视图区域图 

在将多视图信息集成到统一框架之前,首先独立处理每个视图并创建视图特定的图:

  1. POI 基础的区域图 GpGp​ 通过测量区域 POI 语义嵌入 ejej​ 和 ej′ej​′ 之间的相似性生成。在该图中,如果区域之间的余弦相似度 cos⁡(ej,ej′)>ϵcos(ej​,ej​′)>ϵ,即超过阈值 ϵϵ,则两个区域相连。
  2. 时间感知的基于流动性的图 GmGm​ 横跨空间和时间构建节点和边。对于每个区域 rjrj​,会生成一系列与不同时间槽 t∈Tt∈T 对应的时间感知区域节点。给定轨迹 (rs,rd,ts,td)(rs​,rd​,ts​,td​),在时间槽 tsts​ 的源区域节点 rstsrsts​​ 与时间槽 tdtd​ 的目标区域节点 rdtdrdtd​​ 相连。
  3. 基于地理的图 GsGs​ 根据距离连接空间上相邻的区域。

我们通过堆叠视图特定的区域图(即 GpGp​、GmGm​、GsGs​)生成统一的多视图区域图 GG,以反映区域关系的异质性。为此,我们在不同视图特定的图结构中的同一区域节点之间添加自连接边。

信息传播范式

为了捕捉多视图数据中的区域内和区域间的关系,利用在时间和空间维度上通过多视图区域图 GG 进行信息传递。图层从第 l−1l−1 层到第 ll 层的嵌入传播定义如下:

其中,hjhj​ 表示区域 rjrj​ 的精细嵌入向量。系数 βj,j′βj,j′​ 计算为 1/∣Nj∣∣Nj′∣1/∣Nj​∣∣Nj′​∣​,NjNj​ 表示图 GG 中区域 rjrj​ 的邻居节点集。初始嵌入向量 hj(0)hj(0)​ 由 POI 嵌入层得出。ReLU 激活函数用 σ(⋅)σ(⋅) 表示,W(l−1)∈Rd×dW(l−1)∈Rd×d 代表第 l−1l−1 次迭代的可学习转换权重。

信息聚合执行如下:

其中,H∈R∣V∣×dH∈R∣V∣×d 是图 GG 中所有节点的嵌入矩阵,∣V∣∣V∣ 是节点数。变量 LL 是图神经网络层的深度。矩阵 A∈R∣V∣×∣V∣A∈R∣V∣×∣V∣ 和 D∈R∣V∣×∣V∣D∈R∣V∣×∣V∣ 分别是具有自连接的 GG 的邻接矩阵和对角度矩阵。

2. 图增强
许多现有的图对比学习方法使用手工设计的对比视图,如随机图结构损坏和掩码,以简化模型设计。为了使图对比学习适应全球时空关系的异质性,我们提出了一种针对多视图区域图 GG 的自适应图增强方案。我们的方案基于变分图自编码器 (VGAE) 进行自监督学习。这种方法使我们能够通过统一对比学习和生成式自监督学习来改进时空表示的性能,从而包含全球时空关系的异质性。我们提出了一种方法,自动学习不同区域之间的依赖关系,并通过全局上下文改善区域图结构,从而抵抗诸如相邻区域之间的低相关性以及长距离区域之间的强依赖性等噪声干扰。我们的方法基于嵌入映射函数 G→R∣V∣×dG→R∣V∣×d(公式2),并采用基于高斯噪声的增强,其设计如下:

其中,所有区域的图结构学习所增强的区域嵌入表示为 H~∈R∣V∣×dH~∈R∣V∣×d。结构学习函数 η(⋅)η(⋅) 估计区域之间的依赖关系。噪声矩阵 Γ∈R∣V∣×dΓ∈R∣V∣×d 的元素 γγ 从均值为 μμ、标准差为 σσ 的高斯分布中抽取。

为了实现可学习的对比视图生成,使用两层 MLP,其可训练的参数(即 MLPmean(⋅)MLPmean​(⋅) 和 MLPstd(⋅)MLPstd​(⋅))用于从原始嵌入矩阵 HH 计算均值和标准差。随后重复应用区域图结构学习函数 η(⋅)η(⋅),并通过对比损失进行自适应图增强。VGAE 对比损失定义为:

其中,ττ 是控制梯度效应的温度参数。

3. 带有困难样本的对抗对比学习
为了增强我们图增强方法对干扰的鲁棒性,我们引入了对抗自监督,以识别困难的负样本和正样本。这样做可以通过在模型训练期间提供有利于梯度学习的辅助自监督信号,来改善我们的对比学习范式。通过执行对抗对比学习,我们旨在提高模型的性能,并使其对扰动更加鲁棒。

为实现这一目标,我们通过最大化生成式自编码器视图 G~G~ 和约束对抗视图 G^G^ 之间的对比损失来执行对抗数据增强。对抗对比学习是在以下最小-最大对抗优化范式下执行的:

其中,LadvLadv​ 是基于 InfoNCE 的对比损失。ΘΘ 表示变分图自编码器的可训练模型参数。误差函数 ϵ(⋅)ϵ(⋅) 定义为邻接矩阵和节点特征之间的绝对误差,ΔΔ 表示相对于邻接矩阵 A^,A~A^,A~ 以及节点嵌入 H^,H~H^,H~ 的误差超参数。

为了对编码的节点嵌入和图结构进行对抗增强,我们采用了用于数据扰动的投影梯度下降 (PGD) 攻击 (Feng et al., 2022)。我们定义了邻接矩阵的补充矩阵,表示为 A^′′A^′′,并且 A^′=1∣V^′∣×∣V^′∣−I∣V^′∣−A^′′A^′=1∣V^′∣×∣V^′∣​−I∣V^′∣​−A^′′,其中 1∣V^′∣×∣V^′∣1∣V^′∣×∣V^′∣​ 是大小为 ∣V^′∣×∣V^′∣∣V^′∣×∣V^′∣ 的全1矩阵。在 PGD 攻击之后,扰动的邻接矩阵为:

其中 ∘∘ 表示元素乘积。矩阵 LA^′∈{0,1}∣V∣×∣V∣LA^′​∈{0,1}∣V∣×∣V∣ 的每个元素 LA^′[i,j]LA^′​[i,j] 表示节点 vivi​ 和 vjvj​ 之间的边的相应修改。对 H^′H^′ 的扰动表示为:

其中,LH^∈R∣V∣×dLH^​∈R∣V∣×d 表示特征矩阵的扰动。为了优化松弛,凸包 L¨A^′L¨A^′​ 代替了 LA^′LA^′​,其满足以下约束条件:

其中,δH^′δH^′​ 表示特征扰动的约束。在每次迭代中,更新表示为:

其中 GeA^′GeA^′​ 和 GeH^′GeH^′​ 分别表示第 ee 次迭代中相对于 L¨e−1A^′L¨e−1A^′​ 和 Le−1H^′Le−1H^′​ 的梯度。此外,L′L′ 表示 Ladv(H~,H^e−1)Ladv​(H~,H^e−1​)。QKH^′QKH^′​​ 表示投影头并将 LH^′LH^′​ 映射到 [−δH^′,δH^′][−δH^′​,δH^′​]。此外,令 z=∑i,jP[0,1][Y−ϑ1∣V^′∣×∣V^′∣]z=∑i,j​P[0,1]​[Y−ϑ1∣V^′∣×∣V^′∣​],QKA^′(Y)QKA^′​​(Y) 定义为:

3. 使用 InfoMin 进行对比模型优化
To adapt our data augmentation strategy to contrastive learning tasks, we augment the reconstruction loss of the generative variational autoencoder (VGAE) with a contrast-aware reward function that incorporates mutual information minimization (Tian et al., 2020; Wang et al., 2019). This reward function is formally defined as:

where ϵϵ represents a threshold parameter. To facilitate robust model training, we integrate information regularization (IR) into the model, defined as follows:

with

where H~′H~′ represents the node embedding matrix of G~′G~′, obtained via Eq. 3. With this reward function in place, the overall optimization objective becomes minimizing the following loss:

where LreconLrecon​ denotes the reconstruction loss between the VGAE-derived graph structure G~G~ and the original graph G.

三、性能展示

1. Twitter-2015:

ModelMAEMAPE
POI1.30470.8142
HDGE1.35860.8273
ZE-Mob1.39540.8249
MV-PN1.33700.8132
CGAL1.33860.7950
MVURE1.25860.7087
MGFN1.25380.6937
Proposed1.12850.5740

六、实现过程

在下载附件并准备好数据集并调试代码后,进行下面的步骤,附件已经调通并修改,可直接正常运行;
环境要求

Tensorflow = 1.15.3

2. 更改数据路径:

  1. DataHandler.py中
11. predir = 'autodl-tmp/ST-SHN-main/Datasets/NYC_crime/'
13. predir = 'autodl-tmp/ST-SHN-main/Datasets/CHI_crime/'
15. predir = 'autodl-tmp/ST-SHN-main/Datasets/NYC_crime/1kilo/'

修改三个数据集路径为你自己的路径;
2. HG_ST_labcode.py中

326. with open('autodl-tmp/ST-SHN-main/History/' + args.save_path + '.his', 'wb') as fs:
336. with open('autodl-tmp/ST-SHN-main/History/' + args.load_model + '.his', 'rb') as fs:

修改‘/History/’为自己的路径

3. 训练

python autodl-tmp/ST-SHN-main/HG_ST_labcode.py

修改为自己的 HG_ST_labcode.py路径

七、运行过程

  1. 训练过程

  2. 最终结果

​​​

希望对你有帮助!加油!

若您认为本文内容有益,请不吝赐予赞同并订阅,以便持续接收有价值的信息。衷心感谢您的关注和支持!

「文智助手」全场景办公AI助理AI+OPC全流程实践方案(大赛作品) 阅读详情

相关推荐

Vue3多级路由缓存失效的深度解析与实战解决方案

本文深度解析了Vue3项目中多级路由下keep-alive缓存失效的根本原因,并提供了三种实战解决方案:通过路由扁平化根治问题、利用状态管理精细模拟缓存效果,以及借助keep-alive-vue3插件快速修复。文章旨在帮助开发者彻底理解Vue Router与keep-alive的协作机制,从而根据项目情况选择最佳策略,有效解决页面状态丢失的难题。

weixin_29015801的博客 286

水电站、水库、大坝、水利工程等关键区域的智能巡检、安全监控、非法闯入检测利用YOLO模型训练无人机巡视视角人车检测数据集 无人机车辆检测数据集

水电站、水库、大坝、水利工程等关键区域的智能巡检、安全监控、非法闯入检测利用YOLO模型训练无人机巡视视角人车检测数据集 无人机车辆检测数据集

2401_88440984的博客 960

DAX Studio--导出PowerBi数据---(不使用复制表如何快速导出csv文件 / 如何导出百万级/千万级乃至亿级的数据量)多图预警!

多图预警! 1、打开Dax 点击Connect 2、在这里选择正在打开的PowerBi文件,点击Contect 3、选择导出方式--File F、输入指令(输入 EVALUATE ' )单引号可以进行快速提示 5、点击Run 6、选择文件路径,以及保存类型等(一般情况下,我们常用的类型是 txt 或者 第一种 UTF-8 的csv 文件),点击保存即可,稍等片刻,导出完成! 7、导出完成,我这里总计是39W 行的数据量,约20+ 秒完成 ...

STR_Liang的博客 8161

多模态情感分析——Twitter15和Twitter17数据集

将原始的train、dev、test合并到一起,共计5338条,然后将第一列的index作为图片和文本的名字,标签从数字转换为字符串,最终得到了10676个图文对,以及一个train.txt用来保存文件名和标签。将原始的train、dev、test合并到一起,共计5972条,然后将第一列的index作为图片和文本的名字,标签从数字转换为字符串,最终得到了11944个图文对,以及一个train.txt用来保存文件名和标签。(2)第二列是情感标签(0表示负面,1表示中性,2表示正面);(1)第一列是索引;

小嘤熊的博客 1万+

TIFF文件渲染避坑指南:Three.js与Cesium的5个关键差异点

本文深入对比了Three.js与Cesium在渲染TIFF文件时的5个核心差异点,包括坐标系处理、内存管理、着色器系统、性能优化策略和错误处理机制。重点解析了Cesium的全球WGS84坐标系与Three.js局部坐标系对地理空间数据渲染的根本影响,并提供了针对性的性能优化与调试方案,帮助开发者根据项目需求选择合适的3D引擎并有效避坑。

weixin_29243279的博客 334

从空调温控到信号降噪:一阶RC低通滤波器在Arduino和STM32上的C语言实现指南

本文详细介绍了如何在Arduino和STM32平台上使用C语言实现一阶RC低通滤波器,涵盖从基础理论到实际应用的完整流程。通过具体代码示例和优化技巧,帮助开发者有效处理传感器噪声、信号平滑等问题,提升嵌入式系统的信号处理能力。

weixin_30565199的博客 502

“唯遗”资金盘跑路事件新进展:官方介入,线上退还渠道已开通!

如果时间拖沓漫长,让希望逐渐消磨殆尽——那么这样的退还通道,非但不能治愈创伤,反而可能成为对受害者的二次伤害。唯遗资金盘的崩塌,不过是近年来层出不穷的金融骗局中的一个缩影。当普通人的毕生积蓄在眨眼间化为乌有,他们失去的不仅仅是金钱,更是对金融系统、对社会公正的基本信心。金融骗局之所以屡禁不止,根本原因在于监管的滞后与漏洞,在于违法成本的微不足道,在于投资者教育的严重缺失。如果仅仅满足于事后补救,而忽视了事前预防与事中监管,那么这样的退还通道,不过是在重复“亡羊补牢”的故事,而羊群中的狼,依旧在暗处觊觎。

2509_93324904的博客 633

IDM 的免费替代品来了!这款开源下载器速度提升500%

💡分享一款开源的下载管理工具,支持多线程加速(最高提升500%)、队列管理、计划任务和浏览器集成,界面现代化且支持深色模式,跨平台支持Windows/Linux,是IDM的优秀替代方案🎈

XiaoqiangClub的博客 734

芒果赋能:城区交通治理的创新实践与突破

芒果低空调度中台车辆检测算法搭配无人机高机动性,针对实线变道、加塞等违法行为进行拍摄,同步可将实时画面传输至指挥中心,交警实时见证违法全过程,精准判定违法类型,解决传统模式“抓不住、判不准” 的难题。芒果低空调度中台车辆检测算法搭配无人机高机动性,针对实线变道、加塞等违法行为进行拍摄,同步可将实时画面传输至指挥中心,交警实时见证违法全过程,精准判定违法类型,解决传统模式“抓不住、判不准” 的难题。联动无人机,化身空中 “电子警察”,精准锁定各类违法,以技术革新重构取证逻辑,让违法者再无侥幸。

gzq0723的博客 43

基于 YOLOv26 的车辆违规停车检测系统:实时监控

本文提出了一种基于YOLOv26的车辆违规停车实时检测系统。系统采用多模块架构,包括视频预处理、YOLOv26目标检测、DeepSORT目标跟踪、停车区域定义、行为分析和违规判定等功能模块。关键技术包括使用YOLOv26s模型进行车辆检测,结合DeepSORT算法实现车辆跟踪,支持多种停车区域定义方式(多边形、矩形、限时区域等)。系统通过边缘计算平台部署,实现了对道路边、禁止停车区等场景的实时监控,能够准确识别长时间停车、禁止区域停车等违规行为,并触发告警机制。实验结果表明,该系统在车辆检测准确率和违规判定

一键难忘的博客 777

【Matlab光伏功率预测】基于GRU门控循环单元的光伏功率时间序列预测(附MATLAB代码)

【Matlab光伏功率预测】基于GRU门控循环单元的光伏功率时间序列预测(附MATLAB代码)

k8291121的博客 1101

食品元宇宙 荆江评论:保障食品安全要铆足“四股劲”

同时也看出常态化开展市场监管活动的必要性,通过曝光和惩罚,让侵犯消费者权益的行为无处遁形,守护群众舌尖上的安全。畅通监督举报渠道,每个地方的本地人对当地食品加工产业存在的安全卫生问题比较了解,鼓励大众积极揭发身边的违法企业,在全社会形成合力,让每个人成为食品安全的守护者,让每一天都达到“315”的效果。保障食品安全,要有“斗志昂扬”的干劲。只有守护住舌尖上的安全,为消费者提供更好的消费环境,才能保障消费者的健康,才能让消费者能消费、敢消费、愿消费,才能更好释放消费潜力,为经济发展注入更多活力动力。

qq_33865146的博客 293

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

非机动车占道车辆逆行识别系统

非机动车占道车辆逆行识别系统依托于 YOLOv11+RNN 深度学习算法,非机动车占道车辆逆行识别系统集成 AI 大模型对于非机动车占道、逆行等违法行为,实现了实时检测抓拍,哪怕是车流人流中稍纵即逝的违规行为,也难逃它的法眼。此外,面对行人闯红灯现象,它能进行阶段性统计,通过长时间的数据累积与分析,感知当前路口闯红灯的规律,为后续的精准管控、针对性的交通治理措施制定提供有力依据。当有非机动车闯入机动车道行驶或逆行时,系统会自动抓拍骑行者的人脸并记录在案。这一功能不仅让违法者无处遁形,更是对潜在违规行为的有力

燧机科技的博客 595

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

中国式安全感:2亿视频监控镜头守护社会生活

随着科技发展,视频监控设备早已成为保障城市公共安全的必需品,车站、公园、公路、街角随处可见,数量庞大的视频监控设备从各方面为社会安全与智慧化发展提供了有力保障。 打造中国式安全感 监控覆盖面不断扩大 古往今来,更高的社会安全水平平一直是人们的不懈追求。目前,我国已经建成世界上最大的视频监控网络,视频镜头超过20000万个。安装视频监控以来,各类案件均有大幅下降,全球犯罪与安全指数显示...

喜欢打酱油的老鸟 621

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

环保数据造假屡禁不止?大数据全链条建立“黑名单”

尽管有“史上最严环保法”震慑,但记者在基层调研发现,受利益驱使,企业环保数据造假的行为仍旧屡禁不止。不断涌现出来的环保数据造假使数据失真,进而影响环保治理决策,长此以往终究危及环境。相关专家建议,对这类行为要保持“零容忍”的态度,坚决通过建立失信企业“黑名单”,整治数据造假产业链等手段多管齐下,形成整治合力,真正让环保违法者无处遁形。 环保数据造假屡禁...

weixin_34162401的博客 259

舌尖上的谣言,该治治了

“小龙虾实为小虫虾”“无核葡萄抹了避孕药”“吃大盘鸡能感染禽流感”……快速发展的互联网,在给人们带来方便的同时,也容易使谣言不胫而走。有数据显示,网络谣言中“舌尖上的谣言”占45%,食品安全领域成为网络谣言的重灾区。   4月17日,国家食药监总局举行通气会,邀请农业部、国家卫计委、国家质检...

chunsong8587的博客 183

程序包清单签名验证失败_数字世界的手写签名

《中华人民共和国电子签名法》规定“可靠的电子签名与手写签名或者盖章具有同等的法律效力”,那么如何在数字世界实现手写签名?数字世界的手写签名主要解决什么问题呢?数字世界的手写签名可以带来哪些改变呢?下面我们将带你一一呈现。虚拟的世界,虚拟的人物?很显然,在数字化时代逐渐到来的今天,想在数字世界进行手写签名已经不现实,但密码学中的数字签名和验签技术,带来了与手写签名同等的法律效力,使得在数字世界进行“...

weixin_39649405的博客 418

深醒科技人脸识别速度可达每秒30亿次,2秒即可比对全球人脸

深醒科技用两秒钟就可以把全球的人脸对比一遍,以99%的精确度筛选出谁是犯罪分子。 刚刚结束的清明节,大家都上坟祭祀先祖,但是有一群人只能将怀恩感念默然于心,在岗履行维护公共安全神圣职责。正是这些日夜不停维护公共安全的公安干警,他们几乎没人有时间亲去墓前祭祀自家先祖,一如既往奋战在自己的岗位上,兢兢业业履行保护人民安全的神圣职...

weixin_33928467的博客 1049

【Cloudaily】腾讯云发布DI-X深度学习平台,云计算“战场”硝烟弥漫

Cloudaily网罗新鲜要闻,每日为你呈现大数据和云计算领域热点新闻。本次内容播报如下: Apache HBase 1.2.5 发布,分布式数据库 Apache HBase 1.2.5 发布了,HBase 1.2.5 是 HBase 1.2 系列的最新维护版本,主要是为 Hadoop 和 NoSQL 社区带来稳定可靠的数据库。此版本包含自 1.2.4 版本发布以来的 50 多个已解决的问题。HB...

imgxr的博客 1202

AI 问数真的能替代 BI 报表吗?

AI问数赋能自然语言查询,提升临时分析效率,但无法替代传统报表。报表适用于稳定输出与持续监控,AI则擅长探索性提问。企业用好AI问数,关键在于夯实数据模型、统一指标口径、健全权限体系与结果校验机制。合理组合报表、仪表板与AI,才能实现高效、准确的业务洞察。

葡萄城技术团队博客 341

ChatGPT、Perplexity、Gemini 与 AI Overviews 引用对比:谁的引用更可信

AI 引擎的引用机制差异很大:ChatGPT 以行内引用加 Sources 列表呈现来源,Perplexity 几乎逐句可溯源,Gemini 在回答中内嵌相关来源链接,AI Overviews 则把多源聚合答案与来源列表一起放在搜索结果顶部。本文从引用透明度、来源偏好、可干预性 3 个维度对比这 4 个引擎,并给出 GEO 的 3 点启示,帮企业在多引擎环境下提升被引用的概率。

淡然一笑 的专栏 279

【从零理解 Spring AI · 12】MCP 的两种角色:做客户端还是做服务端

上一篇讲了 MCP 的概念:标准协议、三大角色、M+N 替代 M×N。

nice_lcj520的博客 616

抽象主义人工智能和生命体AI的内在联系

彭军辉提出“抽象主义人工智能”作为第四大AI范式,批判符号主义、连接主义、行为主义剥离生命本体的误区,确立“智能是现象,生命是本体”的核心公理。主张原生智能必须依附具备存续诉求的生命本体,提出“生命体AI理论”,构建七层演化阶梯与自闭环工程框架,强调智能不可跳过底层存续机制直接模拟语言。该体系为生成式AI提供科学边界,推动从“仿真表象”向“原生智能”的范式跃迁,开辟硅基人工生命新赛道。

抽象主义人工智能和生命体AI 208

OpenAI Control Room 架构拆解:给企业 AI Agent 加一套可审计的急停系统

OpenAI 公开了用于追踪和停止研究模型工作负载的 Control Room。本文拆解 job_id、推理前鉴权、35 秒撤销窗口与 Fail Closed 设计,并给出企业 AI Agent 急停控制面的数据模型、FastAPI 参考实现、缓存撤销策略和故障演练清单。

jerry764的博客 345

OpenClaw 深度调查:把 AI 助手做成你自己的控制平面

对 openclaw/openclaw 的完整技术尽调:Gateway 架构、Agent 运行时、工具与沙箱、30 个消息通道、181 个插件、安全信任边界、工程代价与采用建议。17 章 / 10 张图,全部数字标注口径,数据截至 2026-10-31。

厚积薄发 351
上一篇: 消灭蚊子大作战!
下一篇: 复刻OpenAI O1大模型
Srlua小谢
Srlua小谢 优质创作者: 编程框架技术领域 优质创作者: 编程框架技术领域
博客等级 码龄4年 8963粉丝 332原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值