45、半监督聚类与共识聚类验证方法解析

半监督聚类与共识聚类验证方法解析

半监督聚类算法

提出了一种半监督算法,用于从等价约束中学习相异度的组合。该算法的误差函数包含一个惩罚项,用于控制所考虑的距离族的复杂度。优化过程基于稳健的二次规划方法,避免了局部极小值问题。

实验结果表明,相异度的组合几乎总是能提高仅基于单一相异度的聚类算法的性能。此外,该算法显著改进了标准的度量学习算法,并且对过拟合具有鲁棒性。未来的研究趋势将集中在将这种形式主义应用于异构数据源的集成。

Empirical Kernel Map 允许我们使用核方法处理非欧几里得相异度。设 $d: X × X →R$ 是一个相异度,$R = {x_1, \cdots, x_n}$ 是从训练集中抽取的代表子集。定义映射 $\varphi : F →R^n$ 为:
$\varphi(z) = D(z, R) = [d(z, x_1), d(z, x_2), \cdots, d(z, x_n)]$

这个映射定义了一个相异度空间,其中特征 $i$ 由 $d(., x_i)$ 给出。相异度的核可以定义为特征空间中两个相异度向量的点积:
$k(x, x’) = \langle\varphi(x), \varphi(x’)\rangle = \sum_{i = 1}^{n} d(x, p_i)d(x’, p_i), \forall x, x’ \in X$

共识聚类验证
聚类组合问题

聚类集成方法旨在提高数据聚类的鲁棒性和质量、重用聚类解决方案以及以分布式方式对数据进行聚类。这些方法主要分为两个阶段:构建聚类集成(CE)和将从 CE 中提取的信息组合成一个共识分区。

Evidence Accumulation Clustering 方法(EAC)将每个数据分区视为数据组织的独立证据。其基本假设是,属于同一“自然”簇的两个模式将经常被分组在一起。每次两个模式共同出现在同一个簇中时,就会给这对模式投一票。成对投票存储在一个 $n × n$ 的共关联矩阵 $C$ 中,并通过组合数据分区的总数进行归一化:
$C_{ij} = \frac{\sum_{l = 1}^{N} vote_{ij}^l}{N}$
其中,$vote_{ij}^l = 1$ 表示 $x_i$ 和 $x_j$ 在数据分区 $P^l$ 的同一个簇中;否则,$vote_{ij}^l = 0$。通过对共关联矩阵 $C$ 应用某种聚类算法,可以得到共识分区。

共识分区验证的三个层次

为了评估共识分区 $P^ $ 的质量,我们从三个层次进行衡量:
1.
原始数据表示空间 :这是最常见的聚类验证方法。通过效用或成本函数评估数据分区,并与同一数据集的其他分区进行比较。常用的指标包括 Silhouette、Dunn’s 和 Davies - Bouldin 指数。
-
Silhouette 指数 :对于每个数据点 $x_i$,计算其与同一簇中其他点的平均距离 $a_i$ 和与其他簇中所有点的最小平均距离 $b_i$。Silhouette 宽度 $s_i$ 为:
$s_i = \frac{b_i - a_i}{\max{a_i, b_i}}$
全局 Silhouette 指数 $S$ 是所有样本的平均 Silhouette 宽度:
$S = \frac{1}{n} \sum_{i = 1}^{n} s_i$
-
Dunn’s 指数 :量化一组簇表示紧凑且分离的簇的程度。定义为:
$D = \frac{\min_{1\leq q\leq K} \min_{1\leq r\leq K, r\neq q} dist(C_q, C_r)}{\max_{1\leq p\leq K} diam(C_p)}$
其中,$dist(C_q, C_r)$ 是簇 $C_q$ 和 $C_r$ 之间的距离,$diam(C_p)$ 是簇 $C_p$ 的直径。最佳分区是使指数值 $D$ 最大化的分区。
-
Davies - Bouldin 指数 :定义为簇内散布总和与簇间分离值的比率。小值的 $DB$ 对应于紧凑且中心相距较远的簇。数据分区使 $DB$ 最小化的即为最优分区。
2.
聚类集成空间 :这些有效性指标依赖于共识分区 $P^ $ 与聚类集成 $P = {P_1, \cdots, P_N}$ 中各分区之间的一致性。
- Average Normalized Mutual Information(ANMI) :较高的 $ANMI(P^ , P)$ 值表示更好质量的共识分区。
-
Average Cluster Consistency(ACC) :衡量聚类集成中的簇与共识分区中的簇的匹配程度。最佳共识分区是使 $ACC(P^ , P)$ 值最高的分区。
3. 学习到的成对相似性空间 :对原始数据空间中的有效性指标进行修改,以适应成对相似性表示。
- Silhouette - 样有效性指数 :通过修改公式来计算在相似性空间中的簇内紧凑性和簇间可分离性。
- Dunn - 样验证指数 :重新定义簇之间的相似性和簇的直径,以适应相似性表示。
- Davies 和 Bouldin 的有效性指数 :引入了新的簇中心概念,以适应基于相似性的数据表示。

基于成对相似性的统计有效性指数

提出了一个新的有效性指数,用于基于成对相似性评估共识分区 $P^ $ 的质量。该指数基于数据在给定数据分区下的似然性 $L(X|P^ )$ 进行评估。

受 Parzen - 窗口密度估计技术的启发,我们定义了数据点 $x_i$ 在给定簇 $C_k$ 下的概率密度:
$p(x_i|C_k) = \frac{K_N}{|C_k| \cdot V_k(x_i)}$
其中,$V_k(x_i)$ 是包含 $x_i$ 在簇 $C_k$ 中的 $K_N$ 个最相似数据点的区域的体积。由于仅依赖于成对相似性,我们将 $V_k(x_i)$ 近似为与它成比例的量:
$V_k(x_i) \triangleq diam_k(x_i), diam_k(x_i) = 2(1 - \min_{x_j\in KNN_k(x_i)} C_{ij})$

以下是聚类组合和验证的流程 mermaid 图:

graph LR
    classDef startend fill:#F5EBFF,stroke:#BE8FED,stroke-width:2px;
    classDef process fill:#E5F6FF,stroke:#73A6FF,stroke-width:2px;
    classDef decision fill:#FFF6CC,stroke:#FFBC52,stroke-width:2px;

    A([开始]):::startend --> B(构建聚类集成):::process
    B --> C(计算共关联矩阵):::process
    C --> D(应用聚类算法得到共识分区):::process
    D --> E{验证层次}:::decision
    E -->|原始数据空间| F(计算 Silhouette、Dunn、Davies - Bouldin 指数):::process
    E -->|聚类集成空间| G(计算 ANMI、ACC):::process
    E -->|成对相似性空间| H(计算修改后的指数):::process
    F --> I(评估分区质量):::process
    G --> I
    H --> I
    I --> J([结束]):::startend

通过这些方法和指标,我们可以更全面地评估聚类组合的结果,选择最适合的聚类解决方案。

半监督聚类与共识聚类验证方法解析

各验证指标的特点与对比

为了更清晰地了解不同验证指标的特点,下面通过表格的形式进行对比分析:
|验证层次|指标名称|计算方式|指标含义|最佳分区判断|
| ---- | ---- | ---- | ---- | ---- |
|原始数据表示空间|Silhouette 指数|$s_i = \frac{b_i - a_i}{\max{a_i, b_i}}$,$S = \frac{1}{n} \sum_{i = 1}^{n} s_i$|衡量每个数据点在其所在簇与其他簇中的拟合程度|$S$ 值越接近 1 越好|
|原始数据表示空间|Dunn’s 指数|$D = \frac{\min_{1\leq q\leq K} \min_{1\leq r\leq K, r\neq q} dist(C_q, C_r)}{\max_{1\leq p\leq K} diam(C_p)}$|量化簇的紧凑性和分离性|$D$ 值越大越好|
|原始数据表示空间|Davies - Bouldin 指数|$DB = \frac{1}{K} \sum_{k = 1}^{K} \max_{m\neq k} \left(\frac{\Delta(C_k) + \Delta(C_m)}{d(\nu_k, \nu_m)}\right)$|簇内散布与簇间分离的比率|$DB$ 值越小越好|
|聚类集成空间|Average Normalized Mutual Information(ANMI)|$ANMI(P^ , P) = \frac{1}{N} \sum_{l = 1}^{N} \frac{MI(P^ , P^l)}{\sqrt{H(P^ )H(P^l)}}$|衡量共识分区与聚类集成中各分区的一致性|值越高越好|
|聚类集成空间|Average Cluster Consistency(ACC)|$ACC(P^
, P) = \frac{1}{N} \sum_{i = 1}^{N} sim(P^i, P^ )$|衡量聚类集成中的簇与共识分区中的簇的匹配程度|值越高越好|
|学习到的成对相似性空间|Silhouette - 样有效性指数|$ssi = \frac{asi - bsi}{\max{asi, bsi}}$,$Ss = \frac{1}{n} \sum_{i = 1}^{n} ssi$|在相似性空间中衡量簇内紧凑性和簇间可分离性|$Ss$ 值越接近 1 越好|
|学习到的成对相似性空间|Dunn - 样验证指数|$Ds = \frac{\min_{1\leq p\leq K} diams(C_p)}{\max_{1\leq q\leq K} \max_{1\leq r\leq K, r\neq q} sim(C_q, C_r) + 1}$|适应相似性表示的簇紧凑性和分离性衡量|$Ds$ 值越大越好|
|学习到的成对相似性空间|Davies 和 Bouldin 的有效性指数|$DBs = \frac{1}{K} \sum_{k = 1}^{K} \max_{m\neq k} \left(\frac{s(ν_k, ν_m)}{\Delta_s(C_k) + \Delta_s(C_m)}\right)$|适应相似性表示的簇内散布与簇间分离比率|$DBs$ 值越大越好|
|基于成对相似性|统计有效性指数|$L(X|P^
) = \prod_{i = 1}^{N} p(x_i|P^ )$,$p(x_i|P^ ) = \sum_{k = 1}^{K} p(x_i|C_k \in P^*) \cdot Pr(C_k)$|基于数据在给定分区下的似然性评估分区质量|值越大越好|

从上述表格可以看出,不同的验证指标从不同的角度对聚类结果进行评估。原始数据表示空间的指标主要关注数据点在簇内和簇间的距离关系;聚类集成空间的指标侧重于共识分区与聚类集成中各分区的一致性;学习到的成对相似性空间的指标则是对原始指标在相似性表示下的改进;而基于成对相似性的统计有效性指数则从数据的似然性角度进行评估。

实验分析

在多个合成和真实数据集上进行了实验,以分析和比较不同验证指标在原始、聚类集成和相似性空间中的性能。实验结果表明,不同的指标在不同的数据集和聚类场景下表现各异。

例如,在某些数据集上,Silhouette 指数能够很好地识别出紧凑且分离的簇,但在数据分布较为复杂的情况下,其表现可能不如 Dunn’s 指数。而在评估共识分区与聚类集成的一致性方面,ANMI 和 ACC 指标能够提供有价值的信息。

在相似性空间中,修改后的指标能够更好地适应基于成对相似性的表示,从而更准确地评估聚类结果。例如,Silhouette - 样有效性指数在相似性表示下能够有效地衡量簇内紧凑性和簇间可分离性。

总结与应用建议

综上所述,在进行聚类组合和验证时,应根据具体的数据集和聚类目标选择合适的验证指标。如果数据分布较为规则,且希望评估簇的紧凑性和分离性,可以优先考虑原始数据表示空间的指标,如 Silhouette 指数、Dunn’s 指数和 Davies - Bouldin 指数。

如果关注共识分区与聚类集成中各分区的一致性,可以使用聚类集成空间的指标,如 ANMI 和 ACC。

当数据以成对相似性的形式表示时,学习到的成对相似性空间的指标,如 Silhouette - 样有效性指数、Dunn - 样验证指数和 Davies 和 Bouldin 的有效性指数将更为适用。

而基于成对相似性的统计有效性指数则可以从数据的似然性角度提供额外的评估信息,有助于更全面地评估聚类结果。

以下是选择验证指标的决策 mermaid 图:

graph LR
    classDef startend fill:#F5EBFF,stroke:#BE8FED,stroke-width:2px;
    classDef process fill:#E5F6FF,stroke:#73A6FF,stroke-width:2px;
    classDef decision fill:#FFF6CC,stroke:#FFBC52,stroke-width:2px;

    A([开始]):::startend --> B{数据表示形式}:::decision
    B -->|原始数据| C{关注重点}:::decision
    C -->|簇紧凑性和分离性| D(选择原始数据空间指标):::process
    C -->|与聚类集成一致性| E(选择聚类集成空间指标):::process
    B -->|成对相似性| F(选择相似性空间指标):::process
    D --> G(评估聚类结果):::process
    E --> G
    F --> G
    G --> H{是否需要似然性评估}:::decision
    H -->|是| I(结合统计有效性指数):::process
    H -->|否| J([结束]):::startend
    I --> J

通过合理选择和使用这些验证指标,我们可以更准确地评估聚类组合的结果,从而选择出最适合的聚类解决方案,提高数据聚类的质量和可靠性。

半监督聚类方法 传统无监督聚类算法在划分数据时并不需要任何数据属性,但在实际应用中,存在少量带有独立类标签或成对约束的监督信息的数据样本,学者们致力于将这些为数不多的监督信息运用于聚类,以得到更优的聚类结果,从而提出 了半监督聚类。 1.无监督聚类 先说无监督聚类,如图 1-2 所示,现有的无监督聚类算法按照度量数据样本间相似度的方式, 以及聚类过程中数据样本之间的关系被划分为五大类,即基于划分方法的聚类、 基于层次方法的聚类、基于密度方法的聚类、基于网格方法的聚类、基于模型方 法的聚类[7]。所谓基于划分方法的聚类( 阅读详情

相关推荐

2025自助分析核心:可信自动化洞察架构与落地实践

自助分析已从BI工具升级演进为组织级数据认知范式变革。其本质是解决数据生成速度远超人工解读能力时的决策节奏同步问题,核心在于构建可解释、可干预、可行动的自动化洞察体系。关键技术包括业务语义层统一口径、三层解耦架构(可信洞察/敏捷探索/行动触发)、自然语言交互的结构化语境约束,以及覆盖数据新鲜度、特征稳定性、归因链路与业务规则的‘可信度仪表盘’。这些能力共同支撑销售、运营、供应链等一线岗位在分钟级完成‘异常发现—根因定位—行动执行—闭环验证’全流程,真正实现数据驱动的实时决策。本文聚焦2025年企业落地中必须

weixin_33997389的博客 301

(《机器学习》完整版系列)第13章 半监督学习——13.6 半监督聚类(k均值算法+约束)

我们已学习了$k$均值算法,在此基础上若加上一些监督信息,则得到半监督聚类。

qiy_icbc的博客 1277

弱监督建模实战:用噪声信号替代人工标注

弱监督(Weak Supervision)是一种在缺乏高质量标注数据时,通过融合多源弱信号(如规则、启发式、旧模型输出)生成训练标签的机器学习范式。其核心原理是将监督信号建模为带噪声但统计相关的信息源,借助标签生成函数(LF)与概率化标签模型实现信噪比驱动的联合推断。相比半监督和自监督,弱监督特别适用于零标注、高领域知识密度、强业务逻辑约束的工业场景,如金融风控、医疗实体识别、客服对话分析等。本文聚焦弱监督落地的关键技术链——LF设计、标签模型训练与终局模型抗噪微调,并结合FlyingSquid、BERT+

weixin_30680385的博客 382

【机器学习】之第十三章——半监督学习

机器学习第十三章半监督学习的学习记录,其中第五节由于理解不够深刻便不做记录了,后面会补上的

FavoriteStar的博客 5263

机器为何胜过人类:四大底层能力与工程落地路径

人工智能在特定任务中超越人类,本质并非算力或模型的单点突破,而是确定性执行、高维关联、毫秒并发与无监督发现四大基础能力的系统性协同。这些能力根植于状态机控制、流形学习、实时操作系统和自监督学习等成熟技术体系,其价值在于将模糊经验转化为可配置、可验证、可复现的工程模块。当前已在工业质检、金融风控、医疗影像等强规则、高重复、重时效场景实现规模化落地,显著提升检测精度、决策速度与异常发现能力。本文聚焦技术原理与真实产线之间的关键断层,揭示从理论优势到稳定胜出所依赖的数据治理、硬件适配、人机协同等工程化要件。

weixin_30376083的博客 401

TensorFlow/LightGBM/CatBoost应对类别不均衡实战指南

类别不均衡(Imbalanced Dataset)是工业AI落地的核心挑战,其本质是数据分布偏斜引发的模型学习偏差、优化失焦与评估失效三重干扰。理解样本权重机制(如class_weight、scale_pos_weight)、有序编码(Ordered Target Encoding)等底层原理,有助于构建对少数类敏感的鲁棒模型。技术价值在于提升召回率(Recall)与精确率(Precision)的平衡能力,支撑金融风控、设备故障诊断、医疗罕见病识别等高价值场景。本文聚焦TensorFlow、LightGBM

diegouyi3472的博客 394

媒体偏见可测量:议题-框架双维度实时监测系统设计

媒体偏见作为信息生态健康的核心指标,正从定性判断转向可量化、可归因的技术评估。其底层逻辑在于解耦‘议题选择’(What is covered?)与‘议题框架’(How is it covered?)两大传播机制——前者反映议程设置倾向,后者揭示话语建构策略。借助NLP驱动的多粒度框架识别模型与跨媒体议题覆盖率矩阵,系统能动态捕捉媒体在医保、教育等20+议题上的立场漂移与框架锁定现象。技术价值体现在工程化Crowdsourcing闭环:通过匿名化处理、结构化标注与群体共识校验,将大众直觉转化为具备学术可追溯性

aibiba0894的博客 350

【数据聚类】第七章第一节:半监督聚类算法概述

成对约束:是一种指明两个实例的相对关系的约束信息;成对约束由以下两个集合构成必连约束集(must-link set, ML):对于两个数据点xix_{i}xi​和xjx_{j}xj​,如果(xi,xj)∈ML(xi​,xj​)∈ML,则数据点xix_{i}xi​和数据点xjx_{j}xj​在实际中属于同一个簇,此时称(xi,xj)(xi​,xj​)是一个必连约束(must-link)

快乐江湖的博客 2283

数据驱动建模实战:从数据质量审计到联合诊断的工业闭环

数据驱动建模并非简单堆砌数据或追求SOTA模型,而是一种以数据为第一公民的工程范式——其核心在于将数据视为动态、可诊断、可迭代的活体系统。它基于数据质量评估、分布漂移检测与标注一致性量化等原理,通过标注熵值、KL散度、特征血缘追踪等技术手段,显著提升模型在真实场景中的鲁棒性与业务可解释性。该范式广泛应用于金融风控、工业质检、智能客服与电商推荐等对数据敏感性要求极高的AI落地场景,尤其适用于面临标签噪声高、长尾分布严重、线上效果衰减快等典型问题的团队。本文聚焦非结构化与结构化数据的差异化治理路径,提供可复用的

weixin_30673611的博客 294

【信息科学与工程学】【数据科学】数据科学领域 第六篇 算法设计 01

算法设计

weixin_49199313的博客 1504

【信息科学与工程学】【物理/化学和工程技术】第六十八篇 密度/介质/刚度/强度/散射/投影矩阵01

编码一级领域二级大类三级子类/具体行为说明/举例核心干系人示例1法律领域刑事违法暴力侵害逻辑非法侵害他人生命、健康、自由,破坏公共安全。犯罪嫌疑人、被害人、公检法机关2法律领域刑事违法财产侵占逻辑以非法占有为目的,侵害公私财产所有权。犯罪嫌疑人、财产权利人、公检法机关3法律领域刑事违法破坏秩序逻辑挑战国家法律确立的社会、经济管理秩序。犯罪嫌疑人、国家/社会、监管部门4法律领域刑事违法职务滥用逻辑滥用职权或玩忽职守,损害国家或公民权益。职务犯罪人、所在单位、监察司法机关5法律领域刑事违法具体行为:故意杀人​非

weixin_49199313的博客 1161

机器学习三要素深度解析:一个完整的故事带你彻底掌握 ML 核心框架

本文系统阐述了机器学习的三大核心要素:模型、策略与算法。模型(如线性回归、神经网络)是对数据规律的数学抽象;策略通过损失函数(如均方误差、交叉熵)定义优化目标;算法(如梯度下降)则负责高效求解最优参数。三者协同工作,构成了机器学习的基础框架。文中通过线性回归的完整代码示例,生动展示了梯度下降如何优化模型参数。理解这一框架,有助于把握各类机器学习方法的本质,为后续学习奠定坚实基础。

热爱技术与前沿创新,深耕科技领域,在科创中精进自我;探索技术乐趣,分享技术干货与成长心得,以技术为伴,热爱生活,在科创与生活中双向成长。 306

AI学习指南机器学习篇-半监督聚类(Semi-Supervised Clustering)简介

在机器学习的领域中,聚类是一种无监督的学习方法,其目标是将数据集中的样本分成若干个类别,使得同一类别内的样本相似度高,不同类别之间的相似度低。然而,传统的聚类方法大多基于无标签数据,对于有标签数据的利用较少。而半监督聚类(Semi-Supervised Clustering)则结合了无监督学习和监督学习的优点,能够通过利用有限的标签样本来提高聚类的质量。本篇博客将介绍半监督聚类的基本概念和其在机器学习中的应用。我们将首先解释半监督聚类相对于传统聚类和监督学习的优势,然后详细讨论半监督聚类的算法和示例。

俞兆鹏的博客 1560

半监督密度聚类算法(自动寻找聚类中心)

半监督密度聚类算法(1) 本算法为小编自己提出,只是实现了初步的想法,但是实际的实验效果并不是很好,在开始半监督话题之前,有几点是读者需要了解的,首先是半监督算法,然后是关于密度聚类算法的一些知识。 什么是半监督算法,半监督算法有什么用?小编比较懒,长话短说,半监督算法就是穷人没钱买数据,最大化的利用极少量的样本,实现和监督算法相近的性能,本篇文章的重点放在密度聚类算法上。本文实现的半监督算法...

牛丸4 1万+

布匹缺陷数据集深度解析:工业AI落地的现实挑战

工业视觉中的缺陷检测,本质是将物理产线问题转化为可计算的图像识别任务。其核心难点不在模型架构,而在于数据——布匹缺陷数据集往往隐含光照干扰、标注不一致、类别定义模糊、小目标密集等典型工业噪声。理解Pascal VOC/XML、YOLO TXT、COCO JSON等标注格式的语义差异,识别‘断经’‘稀纬’等工艺相关缺陷的图像表征与真实成因,是构建鲁棒模型的前提。技术价值体现在提升AOI系统准确率与产线过检率平衡,支撑纺织质检自动化升级。本文以真实布匹缺陷数据集-dataset.rar为切口,系统拆解数据清洗、

weixin_34294649的博客 411

YOLOv5轻量化实战:从Ghost模块到工业级部署的完整指南

本文详细介绍了YOLOv5轻量化实战,重点解析了Ghost模块在工业检测中的应用及其优化策略。通过Ghost卷积技术,模型参数量和GFLOPs显著降低,同时保持高精度,适用于实时性要求严格的工业场景。文章还提供了从模型优化到TensorRT加速的完整部署指南,助力开发者实现高效工业级应用。

weixin_28223453的博客 489

半监督KMeans

半监督KMeans KMeans是无监督的。当然也可以是有监督的。有监督形式非常简单。就是根据labels计算聚类中心即可。相当于无监督KMeans的半步迭代。 本文贡献的是半监督KMeans。半监督KMeans可以充分利用已知的labels信息。在机器学习里,有利于将人类知识和机器从数据发现的知识相互融合。 算法 输入点集D0={(xi,ci)},D1={xi′}D_0=\{(x_i,c_i)\}, D_1=\{x_i'\}D0​={(xi​,ci​)},D1​={xi′​}​ 输出分类器(或聚类中心)

神圣代码部落 4113

Node.js内存溢出?一招搞定JavaScript heap out of memory错误(附永久配置方案)

本文深入解析Node.js内存溢出问题,提供从临时调整到永久配置的完整解决方案。重点介绍通过设置`max-old-space-size`参数和`NODE_OPTIONS`环境变量来扩展JavaScript堆内存限制,适用于Webpack、Vite等构建工具的大型项目场景,并涵盖Windows、Linux/macOS多平台配置方法。

cake8的博客 1059

文本半监督聚类

前言 聚类很常见了,很多场景下都需要聚类,笔者当前遇到一个问题是实体消歧,实体是一个个小短句,没有标注没有任何先验知识,想到的就是通过聚类将一些相似实体聚在一起达到目的。 当前聚类有两大种,比如需要提前定义簇中心个数的,以Kmeans最为大家熟知,原理简单有效。还有一种是不需要提前定义簇中心个数的,比如流式聚类。一般情况下,簇中心个数是很难知道的,所以可以选流式聚类等等,但今天要说说收录在AAAI 2021的一篇论文《Discovering New Intents with Deep Aligned C

爱吃火锅的博客 1722

百度地图小区边界爬取

百度地图 小区边界爬取 完整项目地址-github 数据源:百度地图api 项目结构 RESIDENTIALAREABOUNDARY │ ResidentialAreaBoundaryControl.py 主函数 │ ResidentialAreaBoundaryFunc.py 方法库 │ ├─Auxiliary │ crawelFunc.p...

fulin9452的博客 6405

重塑计算的五层蛋糕:解读黄仁勋CES2026演讲背后的AI新秩序与物理世界

2026年CES演讲揭示AI新纪元:从语言模型到物理智能 NVIDIA CEO黄仁勋在2026年CES演讲中描绘了计算产业的根本性变革。核心突破包括: 计算范式转移:从指令执行转向意图理解,智能体系统崛起 物理AI突破:发布Cosmos世界模型,通过合成数据训练AI理解物理定律 全新VeraRubin计算平台:6芯片协同设计,解决摩尔定律放缓与AI需求增长的矛盾 自动驾驶革命:推出具备推理能力的Alpamayo模型,实现L4级自动驾驶 演讲标志着AI正从数字世界迈向物理世界,NVIDIA通过全栈布局,正在重

老孙 | Ethan Sun 的博客:AI 智能体与 AI 原生软件的工程实践 1279

半监督K均值聚类python代码

说明:下面的半监督K-means的初始聚类中心的选择是根据有标签数据而定的,聚类个数=类别个数,初始聚类中心=各个类样本的均值。 # -*- coding: utf-8 -*- import numpy as np def distEclud(vecA, vecB): ''' 输入:向量A和B 输出:A和B间的欧式距离 ''' return np.sqr...

tyh70537的博客 9492

Cobalt Strike4.0安装包(内附中文版)

1.什么是 Cobalt Strike Cobalt Strike 是一个为对手模拟和红队行动而设计的平台,主要用于执行有目标的攻击和模拟高级威胁 者的后渗透行动。 Cobalt Strike已经不再使用MSF而是作为单独的平台使用,它分为客户端与服务端,服务端是一个,客户端可以有多个,可被团队进行分布式协团操作。集成了端口转发、扫描多模式端口Listener、Windows exe程序生成、W...

梦之序章的博客 2万+
上一篇: 65、基于区块链的群体机器人数据完整性与隐私保护方法
下一篇: 62、基于Whisper的构音障碍自动语音识别迁移学习
gitlab7runner
博客等级 码龄4年 78粉丝 1747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  | 博主筛选后可见
 
 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