原创文章，作者：admin，如若转载，请注明出处：https://www.isclab.org.cn/2014/10/22/%e7%ae%80%e8%a6%81%e8%ae%a8%e8%ae%ba%e6%95%b0%e6%8d%ae%e4%b8%8d%e5%b9%b3%e8%a1%a1%ef%bc%88%e4%ba%8c%ef%bc%89/
简要讨论数据不平衡（一）
上一篇
2014年10月22日
降维算法（一）—— PCA
下一篇
2014年10月22日
相关推荐
-
Web快速开发方法简介
本次报告先介绍了五种Web开发模式，讲解了各种开发模式的结构和优缺点，并结合实验室内部情况对合适的开发模式进行了推荐。之后简单介绍了Django、Flask、CherryPy这三个…
-
Glibc内存管理2
内存管理是指软件运行时对计算机内存资源的分配和使用的技术。其最主要的目的是如何高效，快速的分配，并且在适当的…
-
基于度量学习的小样本学习方法介绍
Few-shot learning (FSL)的含义是得到从少量样本中学习和概括的能力，它希望机器学习模型在学习了一定类别的大量数据后，对于新的类别，只需要少量的样本就能快速学习。…
-
即时缺陷预测技术研究
本报告讲述了即时软件缺陷预测领域的基本概念，通过详细介绍集成了专家特征和语义特征的变更级软件缺陷预测和缺陷定位模型，启发思考通过结合专家特征和代码行上下文语义特征，提高变更级软件缺…
-
一段话，多个情绪？模型如何识别“情绪变化”的蛛丝马迹
情绪变化识别在人机交互、情绪计算等对话智能领域中具有重要价值，显著增强了模型对动态语境的理解能力。本次报告将介绍对话与语音中的情绪建模任务，分析其研究背景与应用意义，并重点讲解两类…
-
DNN中的理论可解释性
自DNN诞生起，人们就开始尝试对其解释。若要对DNN进行定量、严谨的解释，数学层面的理论构建是必要的。本次报告介绍了基于博弈论Shapley Value构建的DNN可解释性理论体系…
-
网络表示学习
这次报告讲解了网络表示学习的基本概念，对LINE算法的原理进行了深入讲解，并对网络表示学习算法的应用场景做了…
-
联邦学习的后门攻击方法
联邦学习在保证数据安全和隐私的情况下解决了数据孤岛和数据碎片化问题，主要分为横向联邦学习、纵向联邦学习和联邦迁移学习。本次学术报告首先介绍联邦学习的历史现状、分类及应用场景，然后通…
-
机器学习常用的可解释方法
可解释性对于建立用户与决策模型之间的信任关系至关重要，提高机器学习模型的可解释性和透明性是机器学习在现实任务中进一步发展和应用的关键。本次报告带大家了解机器学习常用的可解释方法的基…
-
二进制代码补丁存在性测试
二进制代码补丁存在性测试（Patch Presence Test, PPT） 旨在检测目标二进制文件是否已应用特定补丁，以确保安全性和合规性。希望在这次学术报告中，大家掌握二进制代…
