韩磊
2014/12/25
原创文章，作者：admin，如若转载，请注明出处：https://www.isclab.org.cn/2014/12/19/%e5%b8%b8%e7%94%a8%e8%b7%9d%e7%a6%bb%e8%ae%a1%e7%ae%97%e6%96%b9%e6%b3%95/
EM算法的应用——GMM的参数估计
上一篇
2014年12月11日 下午7:25
Android进程注入
下一篇
2015年1月5日
相关推荐
-
Ajax技术
Ajax技术是创建交互式网页应用的网页开发技术，无需重新加载整个网页的情况下，能够更新部分网页的技术。Ajax 的特点在于异步交互，动态更新 web 页面，因此它的适用范围是交…
-
深度模型可解释方法
深度模型可解释性一直是业界关注的问题。报告介绍了一种新颖的深度学习可解释性方法——树正则化。通过在深度模型训…
-
机器学习中的非凸优化
机器学习模型可化简为求解一个目标函数/损失函数的最优化问题，根据优化目标及约束的不同，可划分为凸优化（Con…
-
学术论文评审意见生成方法研究
学术论文投稿数量的不断增长带来巨大审稿压力，而人工智能和大数据的发展为学术论文自动化评审提供了契机。本次学术报告介绍了学术论文评审意见生成的两种最新方法，为减轻审稿人负担、提高评审…
-
高斯混合模型及求解算法
高斯混合模型（Gaussian mixture model，GMM）用于对样本的概率密度分布进行估计，而估计…
-
属性缺失异质图神经网络
本报告主要介绍属性缺失异质图神经网络，探讨了异质图研究领域的发展历程，详细介绍了属性缺失异质图的基本概念、常用处理方法以及两种前沿的属性补全异质图神经网络。
-
匮乏资源命名实体识别
NER作为自然语言处理中的一项基础任务，应用范围非常广泛。命名实体识别是许多任务的基本组成部分，并已被深度神经网络大大推进。目前NER只是在有限的领域和实体类型中取得了较好的成绩，…
-
AI幻觉陷阱与创造力
聚焦大模型生成中“幻觉”问题的原理、检测方法及其创造力价值。内容涵盖AI幻觉的定义与分类、典型案例、LLM-Check与Verify-and-Edit两种前沿算法的原理与实验评估，…
-
扩散模型加速采样方法与应用
扩散模型在数据生成的众多领域上呈现出了非常好的效果。然而，在实际应用过程中，扩散模型的采样原理导致其生成速度非常缓慢，严重限制了模型的实际应用效果。为了对采样生成过程进行优化，近年…
-
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。…
