Leohugo🌟
Markdown语法与外挂标签写法汇总
🥧本文汇总Markdown格式以及外挂标签在网页端的渲染效果,可作为文档进行查询
信息论与熵
特征编码 直接编码 e.g. 性别\(S\):{男,女}——\(\{0,1\}\) 归属地\(L\):{亚洲,欧洲,非洲,美洲}——\(\{0,1,2,3\}\) 浏览器工具\(B\):{Chrome,IE,360,Firefox,Safari}——\(\{0,1,2,3,4\}\) “来自【欧洲】,使用【Firefox】的【男性】”表示为\([0,1,3]\)。 One-hot 编码 e.g. 性别\(S\):{男,女}——\(\{01,10\}\) 归属地\(L\):{亚洲,欧洲,非洲,美洲}——\(\{0001,0010,0100,1000\}\) 浏览器工具\(B\):{Chrome,IE,360,Firefox,Safari}——\(\{00001,00010,00100,01000,10000\}\) “来自【欧洲】,使用【Firefox】的【男性】”表示为 {01,00,0000,0010,0000,0000,00000,00000,00000,01000,00000}, 可简写为{1,0,0,1,0,0,0,0,0,1 ...
条件概率与贝叶斯
协方差矩阵 \[ \boldsymbol{\Sigma}(\boldsymbol{X})=\left[\begin{array}{cccc} \sigma_{11} & \sigma_{12} & \cdots & \sigma_{1 n} \\ \sigma_{21} & \sigma_{22} & \cdots & \sigma_{2 n} \\ \vdots & \vdots & & \vdots \\ \sigma_{n 1} & \sigma_{n 2} & \cdots & \sigma_{n n} \end{array}\right] \quad \text { 和 } \quad \boldsymbol{R}(\boldsymbol{X})=\left[\begin{array}{cccc} 1 & \rho_{12} & \cdots & \rho_{1 n} \\ \rho_{21} & 1 & \cdots &a ...
函数与泛函分析
Hessian矩阵与函数凸性 黑塞矩阵的定义:对于任意多元函数\(y = f(x_{1}, x_{2}, \cdots, x_{n})\),若其足够光滑,沿\(l=[l_{1}, l_{2}, \cdots, l_{n}]\)方向的二阶方向导数存在,令\(H_{f}=\begin{bmatrix}f_{x_{1}x_{1}}'' & f_{x_{1}x_{2}}'' & \cdots & f_{x_{1}x_{n}}''\\f_{x_{2}x_{1}}'' & f_{x_{2}x_{2}}'' & \cdots & f_{x_{2}x_{n}}''\\\vdots & \vdots & \ddots & \vdots\\f_{x_{n}x_{1}}'' & f_{x_{n}x_{2}}'' & \cdots & f_{x_{n}x_{n}}'' ...
相似性度量
闵氏距离 定义: \[ d_{\text {闵 }}(\boldsymbol{x}, \boldsymbol{y})=\left(\sum_{i=1}^n\left|x_i-y_i\right|^p\right)^{\frac{1}{p}} \] - \(x=[x_1,x_2,\cdots ,x_n]\),\(y=[y_1,y_2,\cdots,y_n]\)为两个待评定样本的特征向量 曼哈顿距离 定义: \[ d_{\text {曼 }}(\boldsymbol{x}, \boldsymbol{y})=\left(\sum_{i=1}^n\left|x_i-y_i\right|\right) \] 欧氏距离 定义: \[ d_{\text {欧 }}(\boldsymbol{x}, \boldsymbol{y})=\sqrt{\sum_{i=1}^n\left(x_i-y_i\right)^2} \] 切比雪夫距离 定义: \[ d_{\text {切 }}(\boldsymbol{x}, \boldsymbol{y})=\li ...
矩阵分解
LU分解 矩阵的LU分解是一种将一个矩阵分解为两个特定矩阵的乘积的方法。具体来说,LU分解将一个矩阵\(A\)分解为一个下三角矩阵\(L\)(Lowertriangular matrix)和一个上三角矩阵\(U\)(Uppertriangular matrix)的乘积,即: \[ A=LU \] 其中: \(L\)是一个下三角矩阵,其主对角线上的元素为1,主对角线以下的元素为非零值。 \(U\)是一个上三角矩阵,其主对角线及其以上的元素为非零值。 LU分解的意义 简化线性方程组求解: 对于线性方程组\(Ax=b\),如果\(A\)可以分解为\(LU\),则可以将原问题转化为: \[ Ly=b\quad \text{和} \quad Ux=y \] 由于\(L\)和\(U\)是三角矩阵,求解这两个方程组非常高效。 计算行列式: 矩阵\(A\)的行列式可以通过\(L\)和\(U\)的行列式计算: \[ \det(A)=\det(L)\cdot\det(U) \] 由于\(L\)和\(U\)是三角矩阵,它们的行列式就是主对角线元素的乘积。 矩阵求逆: L ...
他们“模仿”什么?隐喻感知的多模态多任务它们“模因”是什么?隐喻感知的细粒度模因理解多模态多任务框架
主要贡献 写完笔记之后最后填,概述文章的内容,以后查阅笔记的时候先看这一段。注:写文章summary切记需要通过自己的思考,用自己的语言描述。忌讳直接Ctrl + c原文。 解决了什么问题? 模态内和跨模态不协调特征被忽视:现有多模态融合方法简单拼接或相加特征,未考虑模态内部及跨模态间的不协调。如模因中图像与文本内容不相关,或文本模态内隐喻信息与图像文本不一致,容易造成误解。 不同任务间相关性未被考虑:以往研究独立分析各子任务,忽略了情感分析、意图检测等任务间的内在联系,无法利用这些关系提升模型性能。 主要创新点 研究视角创新:从隐喻线索间的相互作用出发,探索模态内、跨模态及子任务间的潜在关系。 模型创新:结合跨模态注意力机制、模态内注意机制和多交互解码器设计了一个新的预测模型 Abstract Fine-grained meme understanding aims to explore and comprehend the meanings of memes from multiple perspectives by perform ...
基于LMM代理的低资源有害模因检测
主要贡献 写完笔记之后最后填,概述文章的内容,以后查阅笔记的时候先看这一段。注:写文章summary切记需要通过自己的思考,用自己的语言描述。忌讳直接Ctrl + c原文。 解决了什么问题? 低资源场景下有害模因的检测难题: 模因动态变化、数据稀缺:社交媒体中的Meme动态变化,新出现的有害Meme难以快速获取大量标注数据。 提升检测模型性能:提出基于大模态模型(LMM)代理的低资源有害模因检测框架,通过向外学习(多模态信息检索获取相似样本标签作为辅助信号)和向内学习(捕捉模因中隐含的有害信息,更新检测能力),充分利用少量标注样本,提高模型在低资源场景下对有害模因的检测性能 。 #LMM代理 主要创新点在哪里? 研究思路:利用[[Towards Low-Resource Harmful Meme Detection with LMM Agents.pdf#page=3&selection=35,1,36,9|LLM Agent]],提出代理驱动的低资源有害模因检测框架 检测方法:融合向外和向内分析策略 ^a23bc0 向外学习通过多模态 ...
Hello World
欢迎来到我的博客 这是一篇示例文章,用于测试网站是否能正常显示内容。 这是一个小标题 这里是一些示例内容。 1console.log('Hello, World!'); 这是一段引用文本 列表项1 列表项2 列表项3
数学公式测试
数学公式渲染测试 行内公式测试: \(E=mc^2\) 行间公式测试: \[ E = mc^2 \] \[ Att_{i}\left(h^{t}, h^{s}, h^{g}\right)=\sigma\left(\frac{\left[W_{i}^{Q} h^{t}\right]\left[W_{i}^{K} h^{s}\right]}{\sqrt{d_{i}}}\right)\left[W_{i}^{V} h^{g}\right] \] 纯文本测试 支持简单的 markdown 语法 支持自定义颜色 绿色 + 默认选中 黄色 + 默认选中 青色 + 默认选中 蓝色 + 默认选中 ...
avatar
🐟认真摸鱼中
Leohugo🌟
Future is now 🍭🍭🍭
前往小窝
公告栏
--- 主域名 ---
leoblog.online | 作者大大
--- 备用域名 ---

--- 网站安卓APP ---
🍧🍧
小站资讯
文章数目 :
10
本站总字数 :
2.9w
本站访客数 :
本站总访问量 :
最后更新时间 :
空降评论复制本文地址
随便逛逛昼夜切换关于博客美化设置切换全屏打印页面