- 博客(59)
- 资源 (5)
- 收藏
- 关注
RSS订阅
原创 面试编程手撕题： 牛客 Hot 100 与 （别人的）解题思路
当然，如果是大模型的岗，平时用的激活函数、多头注意力之类的不要忘记了就行。LeetCode 热题 HOT 100。题解（仅记录解题思路）
2025-05-25 16:16:20
81
原创 凸优化理论记录
1. 共轭函数1.1 定义一个函数 f 的共轭函数(conjugate function)定义为是凸函数，证明也很简单，可以看成是一系列关于 y 的凸函数取上确界。Remarks：实际上共轭函数与前面讲的一系列支撑超平面包围 f 很类似，通过 y 取不同的值，也就获得了不同斜率的支撑超平面，最后把 f 包围起来，就好像是得到了的一个闭包，如下图所示1.2 性质关于共轭函数有以下性质若 f 为凸的且是闭的(为闭集)，则(可以联系上面提到一...
2025-04-24 13:31:55
221
1
原创 （转）正则化等最优化方法介绍
参考：http://blog.youkuaiyun.com/pipisorry/article/details/52108040附带 损失函数；经验风险；正则化；结构风险 损失函数（loss function）是用来估量你模型的预测值f(x)与真实值Y的不一致程度，它是一个非负实值函数,通常使用L(Y, f(x))来表示，损失函数越小，模型的鲁棒性就越好。损失函数是经验风险函数的核心部分，也是结构风险函数重要组成部分。模型的结构风险函数包括了经验风险项和正则项，通常可以表示成如下式子（一般来说，..
2025-04-24 13:31:35
309
原创 边缘检测总结
这是整理的边缘检测的一些概念。1. 边缘检测的概念边缘检测是图像处理与计算机视觉中极为重要的一种分析图像的方法，至少在我做图像分析与识别时，边缘是我最喜欢的图像特征。边缘检测的目的就是找到图像中亮度变化剧烈的像素点构成的集合，表现出来往往是轮廓。如果图像中边缘能够精确的测量和定位，那么，就意味着实际的物体能够被定位和测量，包括物体的面积、物体的直径、物体的形状等就能被测量。在对现实世界的图像采集中，有下面4种情况会表现在图像中时形成一个边缘。深度的不连续（物体处在不同的物平面上）； 表面.
2025-04-24 13:31:22
889
1
原创 鲁棒性回归：如何定义异常值？ 如何定义模型鲁棒？ 怎么评估鲁棒性？
From Sklearn 1.1.15.鲁棒性回归：异常值和模型错误鲁棒回归适用于数据异常的回归模型：异常值或出现模型错误。不同的场景和有用的概念：x异常还是y异常？当y是异常值时当x异常时异常值的分数与误差幅度的关系离群点的数量很重要，但是有多少是离群点。离群点较少的时候离群点较多的时候稳健拟合的一个重要的概念就是分解点：可能一小部分的偏离合适的数据，失去依附数据。注意，一般来说，高维设置的鲁棒性拟合很困难。这里的健壮模型可能不适合这些设置。权衡：使用什么估计？
2025-04-24 13:31:12
604
1
原创 【多篇博客整理】 如何在linux虚拟环境中安装java + Daikon
安装包下载(参考[1])1.Linux镜像文件（请先下载好VMWARE等软件）链接1：ubuntu-18.04.4-desktop-amd64下载 提取码：62th2.Daikon版本：5.8.6链接2：Daikon-5.8.6下载 提取码：zbbv3.JDK版本：1.8.0链接3：jdk-8u221-linux-x64下载 提取码：1df3安装过程先把下载好的三个安装包都全部解压缩都拖到Linux环境中（需要用到 VMTOOLS）建议直接放在Linux的桌面中JAVA环境搭配复制文
2025-04-24 13:31:02
463
1
原创 博士求职有感 勇敢牛牛 不怕困难！
更何况，AI口的计算机专业，互联网大厂只招大模型、语言、多模态什么的。做的东西但凡偏门一些，就game over了。待遇一言难尽吧，可能是和本科刚毕业时的行情不一样了，不能直接拿来比较。而且其实读博调参久了，以前的算法题都忘得差不多了，用的太少了。哎，简历石沉大海，更别提机试面试了。最近临近秋招，试了试一下大厂。
2025-04-24 13:26:33
222
原创 Towards Precise and Explainable Hardware Trojan Localization at LUT Level
《IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems》（TCAD）是集成电路与系统计算机辅助设计领域的顶级期刊，由IEEE出版，属于CCF-A类期刊。
2025-03-06 23:16:47
701
1
原创 Fine-grained Analysis of Stability and Generalization for Stochastic Bilevel Optimization
IJCAI（International Joint Conference on Artificial Intelligence，国际人工智能联合会议）是人工智能领域的一个主要国际学术会议，创办于1969年。它涵盖了广泛的AI研究领域，包括但不限于机器学习、自然语言处理、计算机视觉等。该会议是CCF-A类会议，近些年的论文年接受率约为15%。为全球的研究人员和从业者提供了一个展示和讨论人工智能领域最新进展和未来趋势的平台，促进了跨学科的合作和创新。
2025-03-06 23:07:42
1022
原创 Neural partially linear additive model
Frontiers of Computer Science，是由Springer和高等教育出版社联合出版的学术期刊，旨在促进中外科学家在计算机科学领域的交流与合作。该期刊创刊于2007年，涵盖计算机科学的所有主要分支及新兴和多学科领域，如DNA计算、量子计算等。该期刊的影响因子在2024年6月更新为3.4，其分区为Q1，表明其在计算机科学领域具有较高的国际影响力。期刊注重论文质量和创新性，对理论研究和实际应用均有较高要求，能够反映当前国际研发趋势。
2025-03-06 18:47:20
446
原创 Generalized Sparse Additive Model with Unknown Link Function
ICDM（IEEE International Conference on Data Mining）是由IEEE计算机学会主办的数据挖掘领域顶级国际会议，致力于推动数据挖掘、知识发现、机器学习及大数据分析的技术创新与应用。会议涵盖模式识别、预测建模、文本挖掘、推荐系统、图数据挖掘等核心议题，被中国计算机学会（CCF）列为B类推荐会议，论文录取率通常在10%-15%左右，录用成果发表于IEEE会议论文集并收录于EI、Scopus等数据库。ICDM注重理论与实践结合，每年吸引全球学术界与工业界专家分享前沿成果，
2025-03-03 23:43:18
317
原创 Stepdown SLOPE for Controlled Feature Selection
AAAI（Association for the Advancement of Artificial Intelligence）是人工智能领域最具影响力的国际顶级学术会议之一，由国际人工智能促进协会主办，每年汇集全球学者、企业及研究机构，聚焦机器学习、自然语言处理、计算机视觉、知识表示、智能系统等前沿方向。会议论文质量严苛，录取率接近20%，被中国计算机学会（CCF）推荐为A类会议，
2025-03-03 23:38:10
982
原创 Error Density-dependent Empirical Risk Minimization
ESWA（Expert Systems with Applications）是爱思唯尔（Elsevier）旗下知名的国际学术期刊，聚焦专家系统与人工智能技术的实际应用研究，涵盖机器学习、数据挖掘、智能决策、优化算法、工业智能系统等领域。该期刊作为计算机科学领域的权威刊物，被SCI、Scopus等核心数据库收录，2023年影响因子为8.5，属中科院一区Top（计算机：人工智能类）。
2025-03-03 22:18:01
588
原创 Hardware Trojan Detection at LUT: Where Structural Features Meet Behavioral Characteristics
IEEE HOST（International Symposium on Hardware-Oriented Security and Trust）是由IEEE主办的专注于硬件安全与可信计算领域的国际顶级会议，旨在推动硬件层面的安全技术研究与应用。会议聚焦硬件安全设计、防篡改技术、芯片安全、侧信道攻击防护、可信计算架构等核心议题，为学术界与工业界提供交流前沿技术、标准制定及产业落地的平台。论文由IEEE出版并收录于IEEE Xplore，被广泛认可为硬件安全领域的风向标，参会者可获取最新研究成果并拓展行业合
2025-02-25 01:45:27
807
原创 Robustness of classifier to adversarial examples under imbalanced data
ICCCS（International Conference on Computer and Communication Systems）是聚焦计算机科学与通信技术领域的国际学术会议，涵盖人工智能、网络安全、5G/6G通信、物联网、大数据等前沿议题。会议通常年度举办，旨在促进学术界与工业界的交流合作，录用论文常由IEEE、Springer等权威机构出版并被EI、Scopus等数据库收录，为研究者提供成果展示、同行评审及国际合作的平台。参会者需通过官网核实具体年份的议题、举办地及学术认证信息，以确保会议质量。
2025-02-25 01:35:14
261
原创 latex 新技巧：公式过长怎么编号美观？ 如何缩小公式大小，不改编号大小？
但是如何单独用align，可以默认编号在最短的一行，但是有个缺点，需要手动地将其他行 加上 \nonumber，以防每一行都有编号。常见的公式换行，用到 aligned align等命令。更改公式区域框的大小，缩小公式内容，但不缩小编号。
2024-06-13 21:10:11
1398
原创 python 批量截取图片 并保存原图片名
前言最近需要对图片进行批量截取处理，所以写下来作为笔记代码（1）对每张图片都需要点选然后截图import matplotlib.pyplot as pltimport osfrom PIL import Imagepath = "./"filelist = os.listdir(path) # 列举当前文件夹所有文件for pictureName in filelist: if pictureName[-3:] != "png": continue
2022-03-13 17:25:43
4293
原创 Lasso和Group Lasso的闭式解
优化目标其中求导，得到其中得到对于在深度学习中group LASSO而言来压缩的时候，问题转换为求解：其中 是可学习参数，可以看做是一个向量。 是training loss， 是正则化项。把 分为 组，来做LASSO，有 ，也就是说对每一组内部使用norm，形成一个 元向量，然后再这 元向量使用 norm。因为 norm肯定是大于等于零的了，所以外层不需要加绝对值了。一般来说， 是一个神经网络，属于严重非凸问题，可以用model function来近似，问题就转换为：
2022-03-08 16:15:25
2190
原创 [机器学习]Lasso，L1范数，及其鲁棒性
前言：本文包括以下几个方面，1. 介绍Lasso，从最初提出Lasso的论文出发，注重动机；2. L1和L2范数的比较，注重L1的稀疏性及鲁棒性；3. 从误差建模的角度理解L1范数1. lasso最早提出Lasso的文章，文献[1]，已被引用n多次。注：对于不晓得怎么翻译的英文，直接搬来。文献[1]的动机：在监督学习中，ordinary least squares(OLS) estimates 最小化所有数据的平方残差（即只是让经验误差最小化），存在2个问题：1是预测误差（predic
2021-11-09 00:39:57
1924
1
原创 Convex-ConCave Procedure（CCCP） 凹凸规划 高效的问题分解求解方法
最近接触了 ramp loss这个loss 优劣参半， 很烦的就是这个函数它虽然连续和鲁棒，但是 不可微 非凸DC分解 以及 CCCP规划 在这个问题上就蛮适用CCCP规划，本质上是寻找两个凸函数之间梯度相同的两个点，即逐步减小两个函数之间的距离，使其收敛到距离最接近的点。Convex-Concave procedure(凹凸过程)CCCP是一种单调递减全局优化的方法。其形式可以表示为凸函数-凸函数 或者 凸函数+凹函数。————————————一、问题模型：DC(difference of
2021-10-07 01:42:35
5407
12
原创 向量型求导工具-Pytorch
1.标量对向量求导标量可以直接对向量求导import torchp = torch.tensor([2.0, 3.0, 5.0], requires_grad=True)q = p*2+1z = torch.mean(q)z.backward()print(p.grad)print(p.grad*p)结果：tensor([0.6667, 0.6667, 0.6667])tensor([1.3333, 2.0000, 3.3333], grad_fn=<MulBackward0&
2021-09-14 10:24:00
705
原创 机器学习 - 计算 Log-Sum-Exp
参考 https://blog.youkuaiyun.com/u013066730/article/details/81949957计算 Log-Sum-Exp[原文-Computing Log-Sum-Exp]本文的计算技巧是有效的，但在机器学习课程上没有明确提到.这样保证了取指数时的最大值为0.这种技巧使得绝对不会出现上溢(overflow)，即使其余的下溢(underflow)，也可以得到一个合理的值....
2021-05-12 09:55:55
742
原创 （单纯形和L1 ball）投影梯度法
投影梯度方法Efficient Projections onto the ℓ1-Ball for Learning in High Dimensions[2008]高维数据的有效投影文章给出了求解：1.投影到单纯形2.投影到L1-ball的算法。下图只给出了复杂度为O(nlogn)的算法,关于算法复杂度为O(n)的算法，请参考文章后面的详细内容。下面是matlab代码参考% 测试clearvars;clc;z=1;%v=[4 4]';v=[-0.5 1]';w=proj2_L1ba
2021-03-23 11:06:46
3453
原创 内点法介绍（Interior Point Method） 障碍函数+对偶内点法
参考网址：https://blog.youkuaiyun.com/dymodi/article/details/46441783系统地介绍了 两种内点法： 障碍函数 和 原始-对偶法
2021-03-09 08:58:11
2979
原创 指示函数与符号函数
1、指示函数数学中，指示函数是定义在某集合X上的函数，表示其中有哪些元素属于某一子集A。 指示函数有时候也称为特征函数。现在已经少用这一称呼。概率论有另一意思迥异的特征函数。 可以说为真输出1，为假输出0.2、符号函数数学上的Sgn 函数返回一个整型变量，指出参数的正负号。语法Sgn(number)， number 参数是任何有效的数值表达式。返回值如果 number 大于0，则Sgn 返回1；等于0，返回0；小于0，则返回-1。number 参数的符号决定了Sgn 函数的返回值..
2021-02-15 10:50:55
4972
原创 【优化】利普希茨连续（Lipschitz continuous）及其应用
利普希茨连续（Lipschitz continuous）利普希茨连续的定义是：如果函数f ff在区间Q QQ上以常数L LL利普希茨连续，那么对于x , y ∈ Q x, y \in Qx,y∈Q，有：∣ ∣ f ( x ) − f ( y ) ∣ ∣ ≤ L ∣ ∣ x − y ∣ ∣ ||f(x) - f(y)|| \leq L||x - y||∣∣f(x)−f(y)∣∣≤L∣∣x−y∣∣其中常数L LL称为f ff在区间Q QQ上的Lipschitz常数。除了Lipschitz continu
2021-02-15 10:45:27
2451
原创 随机方差缩减方法 - SAGA 与 非凸近端变体 ProxSAGA: proximal SAGA
转载自https://blog.youkuaiyun.com/u011961856/article/details/77771493SGD（Stochastic Gradient Descent） 随机梯度下降算法对于目标函数:目标函数优化步骤:1.随机旋转索引j,即函数fj(x)fj(x);2.更新参数x,采用sgd公式为:SAGA(STOCHASTIC VARIANCE REDUCTION METHODS)随机方差缩减方法目标函数优化步骤:1.随机旋转索引j,即...
2021-02-07 21:56:36
1911
原创 数据挖掘课程论文代码
# 导入所需模块from keras.layers import Conv2D, MaxPool2D, Flatten, Dropout, Densefrom keras.losses import categorical_crossentropyfrom keras.optimizers import Adadeltafrom keras.utils import to_categoricalimport numpy as npimport pandas as pdfrom sklearn.model_s
2020-12-17 20:11:37
5456
原创 知识总结：经验风险最小化
1. 损失函数和风险函数这句话要理解： 损失函数L（） 度量模型一次预测的好坏，风险函数R（） 度量平均意义下模型预测的好坏。常用的损失函数有以下几种：（1）0-1损失函数（0-1 loss function） （1）（2）平方损失函数（quadratic loss function） ...
2020-11-24 22:16:21
4889
原创 土翻译：卫星图像开放式土地覆盖分类的典型判别学习
卫星图像开放式土地覆盖分类的典型判别学习简述： 卫星图像的土地覆盖分类是分析地球表面的重要步骤。现有模型假设一个封闭的集合设置，其中训练类和测试类都属于同一标签集。然而，由于卫星图像具有独特的特点，覆盖材料的覆盖面积极其广阔，因此训练数据必然是不具有代表性的。本文研究了在测试过程中，在保持已知类别性能的同时，识别未知类样本的开放式土地覆盖分类问题。尽管数据本身就是一个分类问题，但数据...
2020-11-18 16:30:00
1218
原创 (四) 开集识别学习 open-set recognition(OSR)
前言：目前基于CNN方式的开集识别的方案最为经典的要数openmax方法，但是目前所能查到的资料对openmax解读的资料实在是太少，所以这里通过对openmax的实现过程进行讲解以达到理解的目的1、开集识别学习路径 开始根据自己的遇到的情况进行查询，发现开放长尾识别问题中的开放问题就是目前自己遇到的问题，下面这张图很清晰的展示常见任务的划分标准，后续查询到了自己遇到的问题可以更为具体的归属为开集识别的问题，所以后续一直查询开集识别的一些问题，Google Youtube找到了一些资料，思路清晰
2020-11-10 00:26:36
4412
2
原创 (三) 开集识别学习 open-set recognition(OSR)
前言：在之前的博客中提到了开集识别的一些方案，主线是基于DNN方式，但是基于ML方式的解决方案有很多是很经典的，所以这里介绍下基于ML的方式基于ML的方式 SVM based （待展开） Sparse Representation based （待展开） Distance based （待展开） Margin Distribution based （待展开）...
2020-11-10 00:25:39
1132
原创 （一）开集识别学习 open-set recognition(OSR)
因近期要学习并且将Openset的思想融入项目中，所以这里学习了大神的几篇文章。希望后续能够很好的复现并且得到理论支撑。系列转载自：https://blog.youkuaiyun.com/herr_kun/article/details/1073545011、开集识别学习路径 开始根据自己的遇到的情况进行查询，发现开放长尾识别问题中的开放问题就是目前自己遇到的问题，下面这张图很清晰的展示常见任务的划分标准，后续查询到了自己遇到的问题可以更为具体的归属为开集识别的问题，所以后续一直查询开集识别的一些.
2020-11-10 00:22:32
3334
2
原创 广义可加模型GAM在python上的复现
转自： 比较新的一篇GAM在python上的简易复现https://blog.youkuaiyun.com/qq_41103204/article/details/104679779目录1 安装pyGAM 2 分类案例 2.1 基本使用 2.2 部分依赖图（Partial dependency plots） 2.3 调整光滑度和惩罚 2.4 自动调参 3 完整的pyGAM模型 4 测试参数 4.1 测试惩罚项 4.2 测试样条函数的数量 4.3 测试不同的约...
2020-11-08 19:33:50
8596
3
原创 【转】gnu arm eclipse+jlink环境构建
参考：https://blog.youkuaiyun.com/benjorsun/article/details/84192116近期在学习RISCV的指令 汇编反汇编以及trace的获取。首先搭建一下环境。 一边用虚拟机，使用专门的gcc工具。 一边使用eclipse和专门的工具，GNU MCU Eclipse是一款基于gnu工具链的eclipse插件，可以开发arm与risc-v处理器平台软件，重要是这是一款免费软件，可以开发众多系统平台软件，同时可以采用eclipse亮丽的代码风格及增强可...
2020-11-03 10:48:29
638
原创 NBDT补充
前面提到的是对论文的浅析，并没有很好的把实现的细节讲出来。在代码复现时，发现很多细节问题。参考咸鱼大神的文章：整个框架搭建分成四个步骤将一个完整NN（全连接层及以上）和决策树结合，决策树的节点都有语义信息和向量信息①预训练一个CNN模型，并拿CNN最后一层的权重作为“每种类别”的隐向量 比如先拿cifar10（一个图片分类数据集，有“猫”、“狗”之类的10种类别）训练一个resnet18的CNN。这类CNN的最后一层通常是全连接层（Fully Connected la...
2020-10-23 23:30:50
559
原创 25个常见网络
深度学习发展很快，新的模型层出不穷，所以要想全部列举是不可能的。另外，很多模型都是这里提出很长很长时间了，所以也不是说“老”模型就没用，大家学习的话，还是要全面而深入的学习。1、 Feed forward neural networks (FF or FFNN) and perceptrons (P)前馈神经网络和感知机，信息从前（输入）往后（输出）流动，一般用反向传播（BP）来训练。算是一种监督学习。2、Radial basis function (RBF)径向基函数网络，是一种径向.
2020-10-21 11:14:39
1375
原创 深度学习模型可解释性（重温入门知识）
第一部分 可解释性是什么？ 事先事中事后三类型 + LIME（模型无关分析）方法简单实现目录1. 可解释性是什么0x1：广义可解释性0x2：在统计学习中的可解释性0x3：机器学习领域的可解释性1. 决策树是目前业内公认可解释性最好的非线性机器学习算法2. DNN深度学习模型的可解释性不是那么明显2. 我们为什么需要可解释性？0x1：可解释性的不同动机1. 判别并减轻偏差（Identify and mitigate bias）2. 考虑问题的上下文（A...
2020-10-20 21:49:41
10466
copytranslate-windows上的翻译工具下载
2020-09-16
Res2Net实验.zip
2020-08-27
Res2Net.pptx
2020-08-27
不事后解释+可解释图像分类方法 .pptx
2020-08-27
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人