2025NIPS-runner up-Optimal Mistake Bounds for Transductive Online Learning

于 2025-12-21 12:30:00 发布
阅读量95 收藏
点赞数 4
CC 4.0 BY-SA版权
分类专栏： LLM Daily Best Papers 文章标签： 算法 人工智能 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/c_cpp_csharp/article/details/156046167

文章核心总结与翻译

主要内容

本文解决了在线学习中未标记数据价值的30年开放性问题，通过量化 transduction（转导）在线学习与标准在线学习的错误界差距，明确了未标记数据的实际作用。标准在线学习的最优错误界由概念类的 Littlestone 维度 ddd 决定，而本文证明转导在线学习的错误界为 Ω(d)\Omega(\sqrt{d})Ω(

了解本专栏 订阅专栏 解锁全文 超级会员免费看
论文阅读笔记 [NIPS2019] Learning to Self-Train for Semi-Supervised Few-Shot Classification
jieming2002的博客
09-25 4347
学习自我训练的半监督小样本分类 Li-nips2019-LST-Learning to Self-Train for Semi-Supervised Few-Shot Classification 摘要 作者提出了一种新颖的半监督元学习方法：学习自我训练（简称 LST）。这种方法利用无标签数据，特别是学习如何择优挑选和标记这些无标签数据，以进一步提高性能。对于每个小样本任务，训练一个小样本模型来预测无标签数据的伪标签，然后对有标签和伪标签数据的自训练步骤进行迭代，每一步都进行调优。还学习了一个软权重网络（简
Learning to Compare: Relation Network for Few-Shot Learning. （学习比较：用于few-shot learning 的关系网络）
CaoChengtai的博客
07-02 3933
目录1. 摘要2. 介绍3. 相关工作4. 方法论4.1 问题定义4.2 模型5. 其他6. 论文链接 1. 摘要 文章提出了一种概念上简单、灵活、通用的框架用于 few-shot learning 问题。few-shot learning 问题需要分类器必须在每个新类只给出几个样本情况下识别新的类（新的类是指在训练阶段没有见过的类）。文章提出了网络叫做 — 关系网络（Relation Netwo...
【论文学习笔记】Transductive Unbiased Embedding for Zero-Shot Learning (2018_CVPR)
嘿芝麻的树洞
08-21 2960
论文：Transductive Unbiased Embedding for Zero-Shot Learning 链接：http://openaccess.thecvf.com/content_cvpr_2018/CameraReady/1369.pdf   这篇文章是来自CVPR 2018的一篇文章，这篇文章主要的贡献是提出了一个偏置损失函数，同时提出了一个端到端的网络。下...
Online Meta-Learning2019||论文阅读
VIEO
05-24 6765
元学习论文总结||小样本学习论文总结 2017-2019年计算机视觉顶会文章收录 AAAI2017-2019 CVPR2017-2019 ECCV2018 ICCV2017-2019 ICLR2017-2019 NIPS2017-2019 先简单介绍在线学习的概念： 在线学习算法的特点是：每来一个训练样本，就用该样本产生的loss和梯度对模型迭代一次，一个一个数据地进行训练，因此...
ProtoNet模型结构：《Prototypical Networks for Few-shot Learning》
qq_43496336的博客
02-23 6477
ProtoNet 本文是对NIPS-2017论文《Prototypical Networks for Few-shot Learning》提出的Prototypical Network模型的简要梳理，不含理论分析比较部分。 Intro few-shot classification：分类器对于training set上没见过的类，只要给一些它的example，就可以学会 概念： 支撑集support set：这些提供的labeled example 查询集query set：需要进行预测的unlabele
深度强化学习系列(5): Double Q-Learning原理详解
热门推荐
深度强化学习(DeepRL)探索博客
12-05 1万+
论文地址： https://papers.nips.cc/paper/3964-double-q-learning.pdf 本论文是由DeepMind发表于2015年NIPS的一篇论文，作者Hasselt。 前言： Q-Learning算法由于受到大规模的动作值过估计(overestimation)而出现不稳定和效果不佳等现象的存在，而导致overestimation的主要原因来自于最大化值函...
NIPS-2013：Playing Atari with Deep Reinforcement Learning
dlphay的博客
08-21 3227
感谢作者的翻译与总结 http://blog.youkuaiyun.com/songrotek/article/details/50581011 来源：NIPS 2013 作者：DeepMind 理解基础： 增强学习基本知识深度学习 特别是卷积神经网络的基本知识 创新点：第一个将深度学习模型与增强学习结合在一起从而成功地直接从高维的输入学习控制策略
2018-NIPS-论文网址
qq_16568205的博客
12-04 1600
本文整理了2018 NeurIPS(原NIPS)收录文章的一些传送门，以及最佳论文。 2018 NeurIPS(原NIPS)大会全部论文见： https://papers.nips.cc/book/advances-in-neural-information-processing-systems-31-2018 各大厂照例整理了自家的NeurIPS论文，下面是一系列传送门： Googl...
few-shot learning 小样本学习---综述
xys430381_1的专栏
05-30 9018
小样本学习（Few-shot Learning）综述 （出自阿里巴巴团队2019年4月） Few-shot Learning: A Survey YAQING WANG1,2 , QUANMING YAO 2019
[论文分享] Overcoming Catastrophic Forgetting in Incremental Few-Shot Learning by Finding Flat Minima
qq_40825479的博客
01-07 2983
我又来给大家分享PAPER了！！！ 今天给大家分享的这篇论文是NIPS’ 2021的一篇Few-Shot增量学习(FSCIL)文章，这篇文章通过固定backbone和prototype的到一个简单的baseline，发现这个baseline已经可以打败当前IL和IFSL的很多SOTA方法，基于此通过借鉴robust optimize的方法，提出了在base training训练时通过flat local minima来对后面的session进行fine-tune novel classes，解决灾难性遗忘问
精选资源
NIPS-2017-attention-is-all-you-need-Paper.pdf
08-09
在给定的内容中，我们可以提取出关于深度学习和自然语言处理（NLP）的若干关键知识点。以下是对这些知识点的详细说明： 1. **序列转换模型（Sequence Transduction Models）**： - 描述中提到目前主要的序列转换...
NIPS-2017-attention-is-all-you-need-Paper-中文翻译版本.docx
01-27
Attention is All You Need 本篇论文的主要贡献在于提出了一种新的序列转导模型架构，称为Transformer，它完全基于自我注意机制，避免了递归和卷积神经网络。这种模型架构可以在机器翻译任务中达到 state-of-the-...
NIPS-tutorial-2016 非常不错的介绍
05-10
NIPS-2016教程中介绍了一种在强化学习(Reinforcement Learning, RL)领域非常重要的算法——Trust Region Policy Optimization（TRPO）。TRPO是一种用于解决策略优化问题的方法，旨在找到一种策略，使得在考虑稳定性...
精选资源
Awesome-Learning-with-Label-Noise:精选的带有噪音标签的学习资源列表
04-28
A curated list of resources for Learning with Noisy Labels 论文和代码 2008年NIPS-谁的选票应该更多：未知专业贴标商对标签的最佳整合。 2009-ICML-在多位专家的监督下学习：每个人都撒谎时值得信任的人。 ...
【最优传输二十五】2022NIPS-Learning to Re-weight Examples with Optimal Transport for Imbalanced Classificatio
m0_60231311的博客
09-29 630
介绍了一种新的基于最优运输（OT）的不平衡分类自动重加权方法。该方法将不平衡训练集呈现为其训练实例上的待学习分布，每个训练实例都与概率权重相关联。类似地，我们的方法将另一个平衡的元集视为示例上的平衡分布。通过根据定义的成本函数最小化两个分布之间的OT距离，将权向量的学习公式化为分布近似问题。我们提出的重新加权方法绕过了元集上常用的分类损失，并使用OT来学习权重，从而在每次迭代时摆脱了权重学习对相关分类器的依赖。这是一种不同于现有大多数重新加权方法的方法，可能为未来的工作提供新的思路。
LeetCode热题100--70. 爬楼梯--简单
最新发布
2301_80071187的博客
12-20 154
这道题考察爬楼梯问题，每次可以爬1或2个台阶，求爬到n阶的不同方法数。采用动态规划解法，初始化dp数组，dp[0]=1，dp[1]=1。对于i≥2，dp[i]=dp[i-1]+dp[i-2]，即当前台阶的方法数等于前两个台阶方法数之和。最终返回dp[n]即为结果。该解法时间复杂度O(n)，空间复杂度O(n)。
智驾空间智能、物理智能、世界模型相关的最新论文和开源算法链接
Bonaventure的博客
12-16 1029
这些资源涵盖了2025年自动驾驶领域的前沿研究，从空间推理到物理建模和世界模拟，提供了丰富的开源工具和理论框架。建议用户通过链接深入探索论文和代码，以应用于实际项目或进一步研究。如果您需要更详细的解读或特定应用建议，请随时补充信息！
从零开始写算法——链表篇4:删除链表的倒数第 N 个结点 + 两两交换链表中的节点
m0_59624833的博客
12-15 912
hot100链表的两道题详解。
(leetcode) 力扣100 15轮转数组（环状替代）
qq_62235017的博客
12-18 978
我们利用这个过程，首先计算需要多少个从起点走回起点的圈数（count，为数组长度与步数的最大公约数，具体推推导后面会给），然后再遍历每一圈，通过创建一个临时变量（current,next，类似于指针的作用），来存储需要移动的变量将其移动到下一个位置，而下一个位置变为信的需移动变量，直到走完当前圈数。我们可以把数组想象一个圆圈，如果我们每次固定步数前进，肯定会在有限圈数回到出发点，这个过程中，有可能会遍历完数组所有数，有可能遍历有限数。这句话的意思是：在这个游戏中，你启动一次任务，只能覆盖到。
深信服NIPS - 1000 - B1120设备Console口的密码
11-29
<think> 嗯，用户再次询问深信服NIPS-1000-B1120设备的Console口密码问题，看来这个问题对ta很关键。之前已经明确告知过设备没有统一默认密码，但用户似乎仍希望找到直接可用的密码，可能需要更强调安全风险。 用户可能是企业网管，遇到设备锁定的紧急情况。ta连续两次追问同样内容，说明要么没注意到首次回复的关键信息，要么处境焦虑——毕竟Console密码丢失意味着设备可能完全失控。不过奇怪的是，用户完全没提密码重置操作，或许ta没有物理接触设备的权限？ 这次要更结构化地强调三点：再次否定默认密码的存在（避免用户继续无谓尝试），详细说明密码重置流程（帮ta解决实际问题），补充安全规范（预防后续问题）。特别要注意提醒断电风险，工业设备操作不当可能导致业务中断。 设备手册没公开密码重置步骤是合理的，毕竟涉及安全底线。但用户可能需要知道：恢复模式通常要拆机短接跳线，部分型号甚至需要返厂。这些细节虽然敏感，但比起让用户乱试导致设备变砖，不如适度预警。 最后生成的问题要覆盖用户可能的后续需求：密码复杂度要求（很多企业合规需要）、远程管理替代方案（万一Console口物理损坏）、配置备份（重置密码会清空配置）。尤其备份这点容易被忽视，等用户重置完发现规则全没了就晚了…… </think>关于深信服NIPS-1000-B1120设备的Console口密码，需明确以下关键信息： ### 重要说明 1. **无统一默认密码** 该设备**不存在出厂统一默认的Console密码**。深信服企业级设备首次使用时需通过Console口初始化配置，此时会强制要求管理员设置专属密码[^1]。 2. **遗忘密码的解决方案** 若遗忘密码，需通过硬件重置流程恢复（操作前务必保存配置）： ```mermaid graph LR A[断开设备电源] --> B[按住RESET按钮] B --> C[重新通电并保持10秒] C --> D[释放RESET按钮] D --> E[重启后恢复出厂设置] ``` > ⚠️ 警告：此操作将清除所有配置，需提前备份配置文件[^1]。 3. **密码安全规范** 根据深信服安全建议： - 密码长度 ≥ 8位，需包含大小写字母、数字及特殊符号 - 避免使用admin/root等弱口令 - 定期90天强制更换密码 $$ \text{密码强度} \propto \frac{\text{字符多样性} \times \text{长度}}{\text{可预测性}} $$ ### 操作建议 1. **首次连接** 使用Console线连接后，设备会自动进入初始化向导引导设置密码。 2. **企业级管理要求** 建议启用TACACS+/RADIUS认证（企业版支持），避免依赖本地密码： ```bash # 示例：配置RADIUS服务器 config authentication add radius-server 192.168.1.10 key=STRONG_KEY ```
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
 
红包 添加红包
表情包 插入表情
表情包 代码片
 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

打赏作者

UnknownBody

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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