原创文章，作者：admin，如若转载，请注明出处：https://www.isclab.org.cn/2014/10/19/%e6%96%87%e6%9c%ac%e8%a1%a8%e7%a4%ba%e6%96%b9%e6%b3%95%e4%b8%89-topic-models-in-nlp/
文本表示方法（二）——潜在语义分析
上一篇
2014年10月19日
BFS-汉语句义结构标注系统上线
下一篇
2014年10月19日
相关推荐
-
元胞自动机原理及其在显著性检测中的应用
元胞自动机(cellular automata，CA) 是一种时间、空间、状态都离散，空间相互作用和时间因果…
-
智能模型的不确定性估计
智能模型的不确定性是模型内生脆弱性问题的重要表征之一，反映了模型对输入数据预测结果的可信程度，包含了对数据和模型两方面缺陷的量化估计。本次报告介绍了模型不确定性估计工作基本概念，讲…
-
人工智能模型的公平性测试
人工智能技术发展迅速，不仅在图像领域，在决策系统等领域也发挥了重要作用。用于模型训练的数据集中含有显示或者隐式的敏感属性（如性别、种族等），模型往往会利用敏感属性的特征做出决策，这…
-
爬虫中的攻与防
爬虫技术是获取数据的利器，它避免了繁琐又低效的人工数据搜集。爬虫带来获取数据极大便利的同时，也催生了反爬技术的发展。学术报告以反爬措施以及对抗反爬的手段作为议题，详细介绍了5类反爬…
-
动态异质图神经网络
本次报告围绕动态图神经网络的最新研究进展展开，重点探讨其在处理时序图数据中的关键技术与应用。报告首先介绍了动态图的结构特性与建模挑战，随后系统分析了主流动态图神经网络架构的设计思想…
-
极端多标签文本分类
极端多标签文本分类旨在为每个文本分配大量可能的标签，处理标签数量巨大和数据稀疏性问题。该技术通过高效的特征选择、标签嵌入和深度学习模型，提高分类准确性和速度。极端多标签文本分类广泛…
-
流式数据漂移应对方法
该报告针对流式数据中的概念漂移问题，提出了两种应对方法：PUDD利用预测不确定性实现早期漂移检测，比传统错误率更敏感；CALIPER在漂移发生后基于数据自身判断何时累积足够数据以触…
-
模型无关元学习
元学习是人工智能领域继深度学习、深度强化学习、生成对抗之后，又一个重要的研究分支。模型无关元学（MAML）算法可以适用于多个领域，包括少样本的回归、图像分类，以及增强学习，并且使用…
-
源代码漏洞分类
漏洞分类是漏洞分析中的重要一环，为了及时评估并缓解漏洞问题，快速、准确的漏洞分类方法必不可少，但目前漏洞分类领域面临着由于不同类型的漏洞数量高度不平衡导致的漏洞类型预测精度不佳的问…
-
AI测试：历史与发展
本报告重点讲解了AI测试的发展历史，从2007年Murphy等人认为AI系统是不可测试到后续变形测试、差分测试、覆盖测试、突变测试等传统测试方法的引入，再到正确性、鲁棒性、隐私性、…
