- 博客(42)
- 收藏
- 关注
原创 GLM-5.3 本地部署实战:从零跑通国产最强开源编码模型
智谱开源GLM-5.3模型权重,本文手把手带你本地部署:从主模型与Flash版怎么选、硬件门槛(主模型756GB需专业集群)、到vLLM/SGLang起服务、接进Claude Code等编码智能体,再到thinking.type废弃等踩坑记录,一条线讲清如何用最低成本拿到这款国产最强开源编码模型的能力。
2026-08-30 16:18:29
1145
原创 AI 编程的下一站不是更聪明,而是「先对齐」:OpenSpec 与规范驱动开发的趋势判断
AI 编程的上半场拼模型,下半场拼对齐。本文聚焦开源框架 OpenSpec 背后的规范驱动开发(SDD)趋势:当代码生成不再是瓶颈,真正的瓶颈转移到意图对齐。文章拆解了 OpenSpec 带来的三个范式转变——变更即代码、需求资产化、团队协作透明,对比了它与 spec-kit、Kiro 的适用场景,并给出个人与团队的落地建议。核心结论:在 AI 时代,共识的构建比代码的生成更重要。
2026-08-29 12:04:13
196
原创 吃透大模型推荐算法:从协同过滤到 LLM 重排,技术原理一次全部讲明白
本文系统解析大模型推荐算法的技术原理:从传统推荐的四大硬伤讲起,厘清 LLM 在推荐里是重排层而非推荐器的定位,详解四大类算法框架 KAR/P5/TALLRec/FLIP、生成式推荐 BIGRec/TIGER/扩散模型,以及工业混合架构 Retrieve→Rerank→Explain,最后给出评估方法与核心挑战。
2026-08-26 21:47:29
430
原创 吃透 AI Agent 运行时(Agent Runtime):从 ReAct 循环到生产级数字员工,一次全部讲明白
本文系统解析 AI Agent 运行时这一 2026 年被严重低估的关键层:从 ReAct 循环的三大致命缺陷讲起,梳理其规划/状态/沙箱/恢复/审批五层架构,对比五大运行时模式与 OpenAI Agents SDK、LangGraph、Claude Agent SDK 等主流框架,详解 MCP、A2A、AG-UI 协议栈及 Execute/Constrain/Observe/Improve 四大支柱,最后给出选型三问与避坑清单。
2026-08-26 20:51:39
504
原创 DeepSeek 免费开放 Files API,多模态 Agent 的省钱时代来了?
DeepSeek 8月21日上线多模态视觉模型 DeepSeek-V4-Flash-Vision-Exp,同步开放免费 Files API。本文从开发者视角拆解三个价值点:图片计费封顶 384 tokens 让成本可预测、免费 Files API 通过 file_id 复用优化多轮 Agent 工作流、OpenAI 兼容格式让接入门槛降到地板。同时客观分析实验性质模型的风险与限制,并给出适合与不适合上车的场景判断,帮你理性决策是否现在接入多模态 Agent 能力。
2026-08-25 13:03:40
248
原创 别再纠结了:WorkBuddy 和 Codex 根本不是竞品,是互补品
很多人在 WorkBuddy 和 Codex 之间纠结选哪个,但这两个工具根本不是竞品:WorkBuddy 是腾讯的全场景办公智能体(文档、表格、PPT、本地文件),Codex 是 OpenAI 的云端编码智能体(写代码、跑测试、提 PR)。本文用一张能力矩阵表拆解核心差异,澄清三个常见误区,并给出 30 秒选型清单与 Codex + WorkBuddy 组合拳工作流,帮你按任务选对工具。
2026-08-25 12:48:10
641
原创 Anthropic 访谈 15 家创业公司后,总结的 AI 原生研发五条底层逻辑
8 月 20 日,Anthropic 发了一份 27 页的《The Claude Code Guide For Startups》,采访了 15 家快速增长公司:ClickHouse、Clay、Cognition、Harvey、Commure、Crosby、Heidi、Omni、Higgsfield、Artemis Security、Cainex、Emergent、Parahelp、Translucent、Zingage。每一手都丢一点原意,等上线时,往往已经不是最初那个想法了,而且整个过程要好几周。
2026-08-24 15:27:19
385
原创 One-Step Adaptive Graph Learning for IncompleteMultiview Subspace Clustering[OAGL]
应用了低秩张量的不完全多视图方法,谱旋转一步得到结果。效果非常好。
2025-07-27 16:07:01
280
原创 JetBGC: Joint Robust Embedding and StructuralFusion Bipartite Graph Clustering
利用NMF的框架,使用2,1范数对噪音鲁棒,去除了非负约束,引入了视图权重gamma,融合多个视图得到潜在d维嵌入V。将LLP和LRP两种方法结合起来,使用潜在嵌入V构造二部图,之后对Z做svd得到离散便签。F范数惩罚所有异值,2,1范数对异值更鲁棒,适应于处理噪音。
2025-07-25 09:59:34
236
原创 【TKDE25】Large-Scale Clustering With Anchor-BasedConstrained Laplacian Rank
本文提出了一种基于锚点的受限拉普拉斯秩聚类方法(ACLR),用于解决传统图聚类技术在效率上的不足。ACLR通过选择代表性锚点构建二部图,采用新颖的两步概率传递策略(TSPT)初始化小规模图,并交替优化图结构和生成离散标签。该方法显著降低了时间复杂度,使其与样本规模无关,最后通过K近邻算法将标签传播至所有数据点。实验证明ACLR在大规模数据上兼具高效性和准确性。代码详见GitHub仓库。
2025-05-24 11:55:30
483
原创 Direct Spectral Clustering with New Graph Learning for Better Fitting 25
本文同样是通过学习一个新图S,然后应用N-cut或R-cut切图,获得聚类标签。CLR是通过学习一个新图,对新图S加以秩约束以直接得到最终结果。
2025-03-29 11:41:55
296
原创 Large Graph Clustering With Simultaneous Spectral Embedding and Discretization
参考:Large Graph Clustering With Simultaneous Spectral Embedding and Discretization,写的很好!
2025-03-28 17:26:55
332
原创 集成聚类经典之作
首次提出微簇(microclusters)的概念,以及基于微簇的CA矩阵MCA来衡量微簇之间的共现性。通过挑选高置信度的边来得到稀疏图,之后进行随机游走并得到相似性矩阵。之后可以应用层次聚类或二部图划分方法。随机游走过程是由概率转移矩阵决定的通过来利用多步信息来描述随机游走过程。
2025-03-17 17:24:01
682
原创 最新集成聚类方法汇总
使用自权重化来衡量不同视图的重要性,并且对融合图进行秩约束以避免后处理。权重参数 μ(v) 是通过拉格朗日乘数法在优化过程中引入的,在优化过程中适度调整每个项的贡献。
2025-03-02 11:33:35
1347
原创 【tkde20】Ultra-Scalable Spectral Clustering and Ensemble Clustering
本文旨在提供一个快速的聚类算法,所有地方都对时间开销进行了严格考虑。对于一个N个点的数据集,谱聚类构造一个NxN的亲和矩阵,每个元素代表了两个目标之间的相似性。通过对亲和矩阵的拉普拉斯矩阵进行特征值分解产生前k个特征向量,通过这k个特征向量将原始数据嵌入到低维空间中以获得更好的聚类结构,之后可以应用k-means等离散化方法得到最终结果。为了减少时间开销,一般方法在亲和矩阵的构造上下功夫,通过构造稀疏的亲和矩阵(锚点图)来改进方法混合表征选取,介于随机选取和基于k-means的选取,首先随机选出p‘个候选点
2025-02-13 17:40:55
358
原创 Multi-view Clustering: A Scalable and Parameter-free Bipartite Graph Fusion Method
S是P的增广图,对S的秩约束确保c个联通分量也确保了P有c个连通分量,最终聚类标签可通过P直接获得。
2025-01-22 18:32:54
551
原创 UDBGL: Efficient Multi-view Clustering via Unified and Discrete Bipartite Graph Learning
基于锚点的子空间学习得到视图特定的二部图B,然后对多个二部图进行自适应权重融合,并加入拉普拉斯秩约束以直接获得聚类的结果。
2025-01-19 16:57:37
362
原创 One-step Bipartite Graph Cut: A Normalized Formulation and Its Application to Scalable subspace clsr
二部图结构可以很好的促进子空间聚类和谱聚类算法在大规模数据集上的表现。为了避免在二部图划分时使用k-means进行后处理,通常施加秩约束(constrained Lapacian rank)以获得k个联通分量,但是这种做法忽视了连通分量的分布从而可能导致不平衡划分。尽管Ncut广泛应用,其仍然面临无法一步切图和时间复杂度的问题。本文首次提出了一种新颖的一步二部图切图准则,带有归一化约束,并且理论证明其等价于最大化迹的问题。
2025-01-17 09:46:30
454
原创 【CVPR24】Fine-Grained Bipartite Concept Factorization for Clustering
通过二部图划分,使用跨阶领域信息来学习得分和系数矩阵。
2025-01-06 17:30:03
250
原创 【TPAMI24】Fair Clustering Ensemble with Equal ClusterCapacity
本文提出了一种新的公平集成聚类(Fair Clustering Ensemble)方法,介于之前关于公平的定义的难以控制簇容量的平衡,我们设计了一种简单高效的正则项来同时达到公平和簇容量相等的目的。之后将其接入集成聚类框架,并考虑了不同的变体来达到全面的性能提升。现实世界中,经常需要划分的簇有相等的容量,比如将一个学校分为几个班级或者对无线传感网络进行能量负载均衡。考虑为三个地方建造三个医院,place ABC拥有相近数量的人口,但是BC较稠密其距离较近,而A较稀疏,A的半径显著大于B和C。
2025-01-06 16:57:30
931
原创 (NeurIPS 2024)Fair Kernel K-Means: from Single Kernel to Multiple Kernel
将新颖的公平正则项 接入到核k-means和多核k-means框架。受保护组(protected groups)是指可能会受到潜在歧视的预先给定的组,Group fairness旨在将数据公平地划分到某些簇,确保受保护组中的数据不会在某些簇中占比过小或过大。
2025-01-02 15:12:47
396
原创 【CVPR24】Learn from View Correlation: An Anchor Enhancement Strategy for Multi-view Clustering
本文提出了一种即插即用的锚点增强策略,通过视图相关性进行多视图聚类。首先,通过对齐的初始锚点图构造视图关联图,然后使用锚点和样本的邻域关系增强当前视图的锚点。
2024-12-18 16:55:37
374
原创 【TKDE23】Multi-View Attributed Graph Clustering
本文提出的多视图属性图聚类方法,使用图滤波来平滑节点表征,通过考虑不同的视图信息学习一个全新的共识图,并且设计正则项来探索了高阶关联的信息。
2024-12-17 21:44:51
427
原创 【JICAI21】Graph Filter-based Multi-view Attributed Graph Clustering
本文提出使用锚点的子空间学习来应对大规模数据集,C即为将f(A)选定的m列提取出来。虽然使用了带锚点的子空间学习,但效果感觉不如直接子表达学习更好。通过将度数转换为概率然后随机抽样,返回选择到的索引:ind。对于平滑的数据X_hat也是一样,通过索引ind挑选出。然后将f(A)中选择的m列挑出来,即得到C dxm。
2024-12-17 21:07:42
299
原创 【AAAI20】Multi-View Clustering in Latent Embedding Space
通过在嵌入空间学习全局结构和聚类指示进行聚类。
2024-12-15 17:54:10
310
原创 【MM23】Learnable Graph Filter for Multi-view Clustering
本文利用所有视图的信息学习一个共识的图滤波用于聚类。
2024-12-13 17:32:08
248
原创 将图滤波与图聚类结合【SIAM22】Fine-grained Attributed Graph Clustering
本文是将图滤波应用到子空间聚类的经典之作,通过平滑的表征学习到一个高质量的图 用于属性图聚类。
2024-12-13 16:38:23
378
原创 [CVPR]S2MVTC: a Simple yet Effcient Scalable Multi-View Tensor Clustering
本文旨在学习嵌入特征之间的视图内和视图间关联,以得到一个共识的嵌入特征做聚类。
2024-12-11 11:53:14
417
原创 Tensorized Unaligned Multi-view Clustering with Multi-scale Representation Learning
未对齐的多视图聚类(UMC)是现实世界中常见的问题。本文提出一种多尺度的表征学习和对齐方法,构造了多尺度表征空间来探索视图间的未知对齐关系。使用张量化的融合策略来探索高阶信息,利用增强张量秩(ETR)来学习低秩结构。
2024-12-03 18:03:53
491
原创 Let the Data Choose: Flexible and Diverse Anchor Graph Fusion for Scalable Multi-View Clustering
在多视图图聚类领域(MVGC),使用锚点图学习来减少计算开销很常见,锚点图Z揭示了m个锚点和n个数据点之间的关系,本文提出一种灵活多样的锚点图融合方法,自适应的优化预定义的不同锚点集的贡献,并且使用杂交的融合策略来应对大尺寸数据。
2024-12-03 16:06:06
354
原创 Robust Nonnegative Matrix Factorization With Self-Initiated Multigraph Contrastive Fusion【TNNLS2024】
公式不是很严谨,有些标识的没有进行介绍。
2024-11-29 11:00:41
263
原创 Adaptive Consensus Clustering for Multiple K-Means Via Base Results Refining【tkde2023】
一致性聚类(Consensus Clustering)、又叫聚类集成,是从多个虚弱的基聚类结果中学习得到一个共识的结果。本文提出一个交替优化的想法,通过对基结果精炼来改进最终的聚类性能。
2024-11-29 10:53:28
1269
原创 Scalable and Structural Multi-View Graph Clustering With Adaptive Anchor Fusion【2024】
提出了尺度可变并且灵活的锚点图融合框架。
2024-11-29 10:46:33
393
原创 Fine-Grained Bipartite Concept Factorization for Clustering【CVPR24】
没找到代码,无法复现。具体的K是如何构造的不得而知。
2024-11-22 19:02:54
459
原创 Joint Projection Learning and Tensor Decomposition Based Incomplete Multi-view Clustering【2024】
JPLTD将原始数据投影到低维空间进行图学习,并且将初始张量分解为本质张量和稀疏噪音 来更好的描述不完全数据的相似性。
2024-11-21 15:22:49
269
原创 Scalable and Structural Multi-View Graph Clustering With Adaptive Anchor Fusion【2024】
1、前言:多视图图聚类使用可学习的锚点集Ai,并且引入正交约束使得A更具判别性。对学习到的锚点图Zi通过R对齐。结合谱聚类和锚点图融合,提出‘结构融合’很像对锚点图图融合进行了改造,引入正交矩阵R进行对齐迹 Tr(AiTG)Tr(AiTG) 可以看作是 GG 的特征值的加权和,其中权重是 AiAi 的列(特征向量)在 GG 的特征向量基底中的投影系数。为了最大化这个和,我们希望选择那些具有最大特征值的特征向量,因为它们对迹的贡献最大。通过截断SVD,我们只保留 GG 的最大的 lili 个奇异值及其对
2024-11-19 18:13:44
479
原创 Joint Multi-view Unsupervised Feature Selection and Graph Learning【2023】
本文提出一种无监督的特征选取和图学习方法。特选选取是通过将目标矩阵正交分解为视图特定的基矩阵和视图一致的指示矩阵。使用跨空间的图学习方法,来桥接投影空间的聚类结构和原始空间的相似性学习。
2024-11-15 17:07:20
705
原创 MoCo:Momentum Contrast【2020】
之前的对比学习主要受限于负样本的质量(太少或者不一致),本文将对比学习视为一个字典查询问题,通过构造一个又大又一致的动态字典来完成对比学习。输入x1通过变换产生x1(1)和x1(2),其中将x1(1)看作anchor,x1(2)看作正样本,而其余的xj(j不等于i)看作负样本,原理上E11可以和E12不同,但是正负样本的编码器应该是相同(都使用E12),因为正负样本的特征 都是和 anchor的特征f11做相似性,避免因为编码器不同而产生捷径解。
2024-11-13 16:25:50
709
原创 Multi-view Clustering via Late Fusion Alignment Maximization【2019】
之前方法直接地将多视图结合学习一个最优相似性,显著耗费计算时间。本文探索了k-means聚类与 基划分和共识划分的对齐 的关系,提出了MVC-LFA,采用后融合策略,最大化对齐了共识划分和权重化的基划分。
2024-11-12 19:24:54
1258
原创 Randomized Dimensionality Reduction for k-meansClustering【2014】
使用k-means进行降维,主要包括两种方法特征选取和特征提取。特征选取是挑选输入特征的一个子集然后应用k-means。特征提取是构造一个人工提取的特征子集然后再应用k-means。有两种著名的特征提取方法,一是基于随机投影,另一个是基于奇异值分解(SVD)。
2024-11-11 17:31:33
500
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人
RSS订阅