常隆涛的博客

生成式人工智能在同行评审过程中可以成为一种有价值的工具。在仔细阅读稿件后，总结出需要评审的要点和领域。然后，使用人工智能帮助组织和表达你的反馈（无需直接输入或上传稿件文本，从而避免隐私问题）。例如，你可以指示人工智能：“假设你是一位专家和经验丰富的学者，在[领域]拥有 20 多年的学术经验。根据我对[领域]论文的总结，如果主要关注的是[一般主题]，请按照以下顺序对本文进行详细回顾：1）简要讨论其核心内容；2）确定其局限性；3）按重要性顺序解释每个局限性的重要性。始终保持简洁而专业的语气。

长程依赖性的特征是时间序列中任意两个位置之间最长信号穿越路径的长度。（1）金字塔注意力模块(PAM)（2）CSCM。

EfficientDet-D2模型)的目标检测技术来检测图像序列中的云的新方法。该方法还计算云运动的速度和方向，从而可以预测由云引起的可用太阳辐射的瞬变。研究了用于物体检测的神经网络架构设计选择，并提出了几种提高效率的关键优化方案。加权双向特征金字塔网络（BiFPN），可以方便快捷地进行多尺度特征融合提出了一种复合缩放方法，可以同时对所有骨干网络、特征网络和盒/类预测网络的分辨率、深度和宽度进行统一缩放。

1]陈九妹. 基于CEEMDAN-ARO-LSTM模型的短期光伏发电功率预测研究[D].江西财经大学,2023.DOI:10.27175/d.cnki.gjxcu.2023.000769.

自训练是一种半监督学习方法，其中模型首先使用已标记的数据进行训练，然后用模型对未标记的数据进行预测，并将非常确信的预测结果（比如分类中90%的概率可以归到A类)添加到已标记数据中，再训练一个新的模型，然后继续迭代。由于模型过于复杂，以至于它学习到了训练数据中的噪声和随机变化，比如进行训练中的女人图片都是长头发的，训练出的模型就识别不出短头发的女人。一种常用方法，选中从25%到75%的中间区间的数值，计算这一区间的高度，向上延申1.5倍的高度定义为最大值，向下同理，超过最大最小值的数据可以认为是异常数据。

Conference on Artificial Intelligence 2021 被引次数：1580。

主流的序列转换模型基于复杂的递归或卷积神经网络，其中包括一个编码器和一个解码器。性能最好的模型还通过注意力机制连接编码器和解码器。我们提出了一种新的简单网络架构–“转换器”（Transformer）。跟RESNET一样，简单的架构有时候效果很好。完全基于注意力机制，无需递归和卷积一开始为了解决机器翻译问题。

主办单位：中国计算机学会承办单位：济南大学会议时间：第十届中国数据挖掘会议将于2024年8月在泰安市举办，中国数据挖掘会议（China Conference on Data Mining，CCDM）是由中国计算机学会和中国人工智能学会主办，中国计算机学会人工智能与模式识别专业委员会和中国人工智能学会机器学习专业委员会协办的数据挖掘领域盛会。会议旨在为数据挖掘领域从业者提供一个互动交流平台，使参会者了解最前沿的学术动态，分享数据挖掘领域的最新研究成果、创新思想和科学方法，提高国内数据挖掘领域的研究水平。

有一个研究方向是通过经验评估 LLM 在多大程度上符合人类的偏好和价值观。

这周学习了一些经典的异常检测算法的思想，没有深究里面的数学公式，打算用到的时候再学。找了一篇轴承状态评估和剩余寿命预测的博士论文，读的过程中遇到了一些不懂的专业名词，公式理解起来比较困难，不知道有没有必要搞懂，目前我是先跳过了公式的理解，搞明白这个公式有什么用，就往下看了。这篇文章引入了一种新的混合多工况数据融合思想，假定研究轴承处于工况 1，该工况运行下的轴承只有少量全寿程退化数据，而相同设备下其他工况的轴承运行退化数据较为丰富，因此通过将工况 1 退化数据与其他工况轴承退化数据融合。

卷积这个操作把大的原始图像，保留特征，变成小的特征图。如果卷积核很多，那么卷积完得到的特征图维度就会很高，不利于操作，因此引入池化，在特征图中画小框，从每一个小框里选一个代表，比如最大池化和平均池化，就可以压缩特征图的体积。，听了很多汇报，下周一整理一下和同组的讨论一下，总共四个会场，我们五个去的不同的地方。超参数，卷积核的尺寸，数目，卷积核中的数字，池化的步长，全连接层神经元的数量。下图中，假设右上是异常点，用基于距离的方法就判断不出来，需要基于密度的方法。，看到了理论算法部分，公式很长，很难理解。