开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

这种子集和问题的变体更容易解决吗？

这个问答内容涉及到了一个概念叫做“子集”，它通常用于描述一个问题的一部分，这部分可以是问题的一个子问题或者是问题的一个子集合。在计算机科学中，子集是一个非常重要的概念，它可以用于描述一个集合中的一部分元素。

在计算机科学中，子集问题是一个非常重要的问题，它通常用于检查一个集合是否是另一个集合的子集。这个问题可以用于检查一个问题的一部分是否是另一个问题的子问题，或者是检查一个问题的一部分是否是另一个问题的子集合。

子集问题可以用于检查一个问题的一部分是否是另一个问题的子问题，或者是检查一个问题的一部分是否是另一个问题的子集合。这个问题可以用于检查一个问题的一部分是否是另一个问题的子问题，或者是检查一个问题的一部分是否是另一个问题的子集合。

子集问题可以用于检查一个问题的一部分是否是另一个问题的子问题，或者是检查一个问题的一部分是否是另一个问题的子集合。这个问题可以用于检查一个问题的一部分是否是另一个问题的子问题，或者是检查一个问题的一部分是否是另一个问题的子集合。

子集问题可以用于检查一个问题的一部分是否是另一个问题的子问题，或者是检查一个问题的一部分是否是另一个问题的子集合。这个问题可以用于检查一个问题的一部分是否是另一个问题的子问题，或者是检查一个问题的一部分是否是另一个问题的子集合。

子集问题可以用于检查一个问题的一部分是否是另一个问题的子问题，或者是检查一个问题的一部分是否是另一个问题的子集合。这个问题可以用于检查一个问题的一部分是否是另一个问题的子问题，或者是检查一个问题的一部分是否是另一个问题的子集合。

子集问题可以用于检查一个问题的一部分是否是另一个问题的子问题，或者是检查一个问题的一部分是否是另一个问题的子集合。这个问题可以用于检查一个问题的一部分是否是另一个问题的子问题，或者是检查一个问题的一部分是否是另一个问题的子集合。

子集问题可以用于检查一个问题的一部分是否是另一个问题的子问题，或者是检查一个问题的一部分是否是另一个问题的子集合。这个问题可以用于检查一个问题的一部分是否是另一个问题的子问题，或者是检查一个问题的一部分是否是另一个问题的子集合。

子集问题可以用于检查一个问题的一部分是否是另一个问题的子问题，或者是检查一个问题的一部分是否是另一个问题的子集合。这个问题可以用于检查一个问题的一部分是否是另一个问题的子问题，或者是检查一个问题的一部分是否是另一个问题的子集合。

子集问题可以用于检查一个问题的一部分是否是另一个问题的子问题，或者是检查一个问题的一部分是否是另一个问题的子集合。这个问题可以用于检查一个问题的一部分是否是另一个问题的子问题，或者是检查一个问题的一部分是否是另一个问题的子集合。

子集问题可以用于检查一个问题的一部分是否是另一个问题的子问题，或者是检查一个问题的一部分是否是另一个问题的子集合。这个问题可以用于检查一个问题的一部分是否是另一个问题的子问题，或者是检查一个问题的一部分是否是另一个问题的子集合。

子集问题可以用于检查一个问题的一部分是否是另一个问题的子问题，或者是检查一个问题的一部分是否是另一个问题的子集合。这个问题可以用于检查一个问题的一部分是否是另一个问题的子问题，或者是检查一个问题的一部分是否是另一个问题的子集合。

子集问题可以用于检查一个问题的一部分是否是另一

相关搜索:Nuxt / VueJS页面渲染在台式机和WiFi连接的移动设备上很好，但在4G/5G上的设备上就不行了。你知道怎么解决这个问题吗？op输入和计算的输入梯度之间的形状不兼容。conv2d_transpose你知道怎么解决这个问题吗？你有办法解决这种“最大堆栈深度超出”的问题吗？使用图形和树木可以解决或更容易解决哪些问题？在测试我的应用程序时，我遇到了这种崩溃。我是一个完全的初学者，不知道如何解决这个问题，有什么解决方案吗？当我尝试运行机器人的代码时，我得到了一个"UnhandledPromiseRejectionWarning“和一个"DeprecationWarning”，有什么解决方案可以解决这个问题吗？当我有两个不同的嵌入命令和不同的urls时，只有一个可以工作--有人能帮我解决这个问题吗？我的子集平均问题有DP解决方案吗？解决停顿问题比人们想象的容易吗？这种回溯方法解决N皇后问题是不正确的吗？

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

【ICML2023】面向影响力最大化的深度图表示学习与优化

来源：专知本文为论文介绍，建议阅读5分钟我们设计了一个名为DeepIM的新颖框架，以生成性地表征种子集的潜在表示，并提议以数据驱动和端到端的方式学习多样化的信息扩散模式。影响力最大化（IM）被定义为从社交网络中选择一组初始用户，以最大化受影响用户的预期数量。研究人员在设计各种传统方法方面取得了很大进展，它们的理论设计和性能提升接近极限。在过去的几年里，基于学习的IM方法应运而生，比传统方法在未知图上具有更强的泛化能力。然而，基于学习的IM方法的发展仍受到一些基本障碍的限制，包括：1）有效解决目标函数的难

02

谷歌大脑发布GAN全景图：看百家争鸣的生成对抗网络

深度生成模型可以应用到学习目标分布的任务上。它们近期在多种应用中发挥作用，展示了在自然图像处理上的巨大潜力。生成对抗网络（GAN）是主要的以无监督方式学习此类模型的方法之一。GAN 框架可以看作是一个两人博弈，其中第一个玩家生成器学习变换某些简单的输入分布（通常是标准的多变量正态分布或均匀分布）到图像空间上的分布，使得第二个玩家判别器无法确定样本术语真实分布或合成分布。双方都试图最小化各自的损失，博弈的最终解是纳什均衡，其中没有任何玩家能单方面地优化损失。GAN 框架一般可以通过最小化模型分布和真实分布之间的统计差异导出。

04

谷歌大脑发布GAN全景图：看百家争鸣的生成对抗网络

深度生成模型可以应用到学习目标分布的任务上。它们近期在多种应用中发挥作用，展示了在自然图像处理上的巨大潜力。生成对抗网络（GAN）是主要的以无监督方式学习此类模型的方法之一。GAN 框架可以看作是一个两人博弈，其中第一个玩家生成器学习变换某些简单的输入分布（通常是标准的多变量正态分布或均匀分布）到图像空间上的分布，使得第二个玩家判别器无法确定样本术语真实分布或合成分布。双方都试图最小化各自的损失，博弈的最终解是纳什均衡，其中没有任何玩家能单方面地优化损失。GAN 框架一般可以通过最小化模型分布和真实分布之间的统计差异导出。

03

每日论文速递 | Meta提出Branch-Train-Mix 混合专家大模型训练方法

摘要：我们研究了训练大语言模型（LLM）的高效方法，使其具备多个专业领域的能力，如coding、数学推理和世界知识。我们的方法被命名为 "分支-训练-混合Branch-Train-MiX (BTX)（BTX）"，它以种子模型为起点，以并行方式对专家进行分支训练，同时提高吞吐量并降低通信成本。在对单个专家进行异步训练后，BTX 将其前馈参数汇集为专家混合（MoE）层中的专家，并对剩余参数求平均值，然后通过 MoE-finetuning 阶段学习token级路由。BTX 概括了两种特殊情况，一种是分支-训练-合并方法（该方法没有学习路由的 MoE 微调阶段），另一种是稀疏上循环方法（该方法省略了异步训练专家的阶段）。与其他方法相比，BTX 实现了最佳的精度-效率权衡。

01

Llama 2打败GPT-4！Meta让大模型自我奖励自迭代，再证合成数据是LLM终局

甚至，在AlpacaEval 2.0排行榜中，微调后的模型胜率完全碾压Claude 2、Gemini Pro等模型。

01

ACL 2024 | 对25个开闭源模型数学评测，GPT-3.5-Turbo才勉强及格

大型语言模型（LLMs）在解决问题方面的非凡能力日益显现。最近，一个值得关注的现象是，这些模型在多项数学推理的基准测试中获得了惊人的成绩。以 GPT-4 为例，在高难度小学应用题测试集 GSM8K [1] 中表现优异，准确率高达 90% 以上。同时，许多开源模型也展现出了不俗的实力，准确率超过 80%。

01

深度 | 一文介绍3篇无需Proposal的实例分割论文

选自Medium 作者：Bar Vinograd 机器之心编译参与：Nurhachu Null、黄小天本文解析了实例分割领域中的三篇论文，它们不同于主流的基于 proposal 和 Faster-RCNN 的方法，比如 Mask R-CNN、MaskLab 以及最新的 PANet，后者在多个数据集（CityScapes、COCO 以及 MVD）上实现了当前最优的结果。基于 proposal 的实例分割架构存在三个根本缺陷。首先，两个物体可能共享同一个或者非常相似的边界框。在这种情况中，mask hea

05

Nat. Com. Sci. | 从深度学习看β淀粉样蛋白的动力学原理

表征肽β淀粉样蛋白的聚集对于更好地了解阿尔茨海默氏病和寻找药物开发的潜在靶点至关重要。深度神经网络使描述这种肽的动力学成为可能，从而为实现该目标开辟了道路。

03

这些基因的名字太有才了，研究一下都可以发10分文章

2019/10/03 修改版：这篇刚发的时候，评论里有老师补充了3个fun gene names，这次添加在了文末的表格中。时间一直在走，一个月，六个月，十年，七十年，仿佛过了很多年，感觉却只有一瞬间，新关注的朋友很多，所以想着做个“旧文新看 ”，之后也会有类似文章，欢迎各位评论，分享想法。

02

稳定、快速、自动的预测编码算法

预测编码网络是受神经科学启发的模型，根源于贝叶斯统计和神经科学。然而，训练这样的模型通常效率低下且不稳定。在这项工作中，我们展示了通过简单地改变突触权重更新规则的时间调度，可以得到一个比原始算法更高效稳定且具有收敛性理论保证的算法。我们提出的算法被称为增量预测编码（iPC），与原始算法相比，在生物学上更加合理，因为它是完全自动的。在一系列广泛的实验中，我们展示了在大量图像分类基准测试以及条件和掩码语言模型的训练方面，iPC在测试准确性、效率和收敛性方面始终优于原始表述，针对大量超参数集。

01

管理数千个集群：Gardener项目更新

作者：Rafael Franzke（SAP），Vasu Chandrasekhara（SAP）

02

jQuery选择器Sizzle原理分析（下）

曾经红级一时的jQuery还记得吗？拥有号称当时业界最快的DOM选择器Sizzle，那么为什么他能自称是最快呢？让我们来分析一下Sizzle.js的源码，了解他的设计精妙之处。虽然MVVM已经成为现在的主流，但是了解历史能让我们更了解现在，也为以后更好的设计和开发框架提供的参考。作者：朱胜--腾讯web前端工程师 @IMWeb前端社区好了有了之前的词法分析过程，现在我们来到select函数来，这个函数的整体流程，前面也大概说过： 1. 先做词法分析获得token列表 2. 如果有种子集合直接到编译过程

02

KDD2021 | 基于元学习的内容定向推广

在推荐系统和广告平台上，内容定向推广模块需要尽可能将商品、内容或者广告传递到潜在的对内容感兴趣的用户面前。扩充候选集技术（Look-alike建模）需要基于一个受众种子集合识别出更多的相似潜在用户，从而进行更有针对性的内容投放。然而，look-alike建模通常面临两个挑战：

02

推荐 | 机器学习中的这12条经验，希望对你有所帮助

华盛顿大学 Pedro Domingos 教授的“A Few Useful Things to Know about Machine Learning”这篇论文总结了机器学习研究者和从业者的 12 个宝贵经验，包括需要避免的陷阱、需要关注的重点问题、常见问题的答案。希望这些经验对机器学习爱好者有一些帮助。

00

推荐 | 掌握这12条经验，对理解机器学习至关重要

华盛顿大学 Pedro Domingos 教授的“A Few Useful Things to Know about Machine Learning”这篇论文总结了机器学习研究者和从业者的 12 个宝贵经验，包括需要避免的陷阱、需要关注的重点问题、常见问题的答案。希望这些经验对机器学习爱好者一些帮助。

00

学好机器学习必备这12条经验 !（附资料）

本文总结了机器学习研究者和从业者的 12 个宝贵经验，包括需要避免的陷阱、需要关注的重点问题、常见问题的答案。

02

推荐 | 机器学习中的这12条经验，希望对你有所帮助

华盛顿大学 Pedro Domingos 教授的“A Few Useful Things to Know about Machine Learning”这篇论文总结了机器学习研究者和从业者的 12 个宝贵经验，包括需要避免的陷阱、需要关注的重点问题、常见问题的答案。希望这些经验对机器学习爱好者有一些帮助。 1. “表征+评估+优化”构成机器的主要内容！构成机器学习算法的 3 部分：表征（Representation）：分类器必须用计算机可以处理的形式化语言来表示。相反地，为训练模型选择一个表征就等同于

学懂 12 个宝贵经验，更深入了解机器学习

华盛顿大学 Pedro Domingos 教授的“A Few Useful Things to Know about Machine Learning”这篇论文总结了机器学习研究者和从业者的 12 个宝贵经验，包括需要避免的陷阱、需要关注的重点问题、常见问题的答案。希望这些经验对机器学习爱好者有一些帮助。 01 “表征+评估+优化”构成机器的主要内容！构成机器学习算法的 3 部分：表征（Representation）：分类器必须用计算机可以处理的形式化语言来表示。相反地，为训练模型选择一个表征就等同

05

推荐 | 机器学习中的这12条经验，希望对你有所帮助

源 | 全球人工智能华盛顿大学 Pedro Domingos 教授的“A Few Useful Things to Know about Machine Learning”这篇论文总结了机器学习研究者和从业者的 12 个宝贵经验，包括需要避免的陷阱、需要关注的重点问题、常见问题的答案。希望这些经验对机器学习爱好者有一些帮助。 1. “表征+评估+优化”构成机器的主要内容！构成机器学习算法的 3 部分：表征（Representation）：分类器必须用计算机可以处理的形式化语言来表示。相反地，为训

06

Information Sciences 2022 | 利用图嵌入和图神经网络实现社交网络中的影响力最大化

题目： Influence maximization in social networks using graph embedding and graph neural network

02

深度 | Pedro Domingos总结机器学习研究的12个宝贵经验

选自Medium 作者：James Le 机器之心编译参与：乾树、刘晓坤本文是对《终极算法》作者，华盛顿大学教授 Pedro Domingos 的一篇名为《A Few Useful Things

ICLR 2022 | 无需训练！As-ViT：自动扩展视觉Transformer

当前 Vision Transformers （ViT）领域有两个主要的痛点：1、缺少对 ViT 进行设计和扩展的有效方法；2、训练 ViT 的计算成本比卷积网络要大得多。

03

无需训练，自动扩展的视觉Transformer来了

机器之心报道编辑：小舟来自德克萨斯大学奥斯汀分校、悉尼科技大学和谷歌的研究者提出了一个无需训练就能自动扩展框架 As-ViT，其能以高效和有原则的方式自动发现和扩展 ViT。当前 Vision Transformers （ViT）领域有两个主要的痛点：1、缺少对 ViT 进行设计和扩展的有效方法；2、训练 ViT 的计算成本比卷积网络要大得多。为了解决这两个问题，来自得克萨斯大学奥斯汀分校、悉尼科技大学和谷歌的研究者提出了 As-ViT（Auto-scaling Vision Transformer

03

CVPR 2022 | 上交&腾讯&港中文开源FAME：助力视频表征学习运动感知的数据增强

CVPR 2022 | 上海交大&腾讯AI Lab&港中文开源FAME：助力视频表征学习运动感知的数据增强

04

无需训练，自动扩展的视觉Transformer来了

点击上方↑↑↑“OpenCV学堂”关注我来源：公众号机器之心授权来自德克萨斯大学奥斯汀分校、悉尼科技大学和谷歌的研究者提出了一个无需训练就能自动扩展框架 As-ViT，其能以高效和有原则的方式自动发现和扩展 ViT。当前 Vision Transformers （ViT）领域有两个主要的痛点：1、缺少对 ViT 进行设计和扩展的有效方法；2、训练 ViT 的计算成本比卷积网络要大得多。为了解决这两个问题，来自得克萨斯大学奥斯汀分校、悉尼科技大学和谷歌的研究者提出了 As-ViT（Auto-scal

03

两种方式解决子集问题

求集合子集，是回溯算法题中比较经典的题目。类似的题目还有求集合不同的组合等。今天介绍求子集的两种解法。

02

从空间、时间和时空动力学角度研究大脑的动态特性

人们对研究大脑功能连接的时间重构以理解动态交互的作用(例如，整合和分离)。然而，区分各种动态属性至关重要，因为几乎所有现有的动态连通性研究都是作为时空动态呈现的，尽管它们属于不同的类别。结果，功能结构的空间模式的变化没有得到很好的表征。在这里，我们提出了空间、时间和时空动力学的概念，并使用这个术语对现有的方法进行分类。我们回顾了当前的空间动态连接工作，强调将空间明确纳入动态分析可以扩展我们对大脑功能和紊乱的理解。

01

SplitMask:大规模数据集是自我监督预训练的必要条件吗?

自监督预训练需要大规模数据集吗?这是2021年发布的一篇论文，它在自监督预训练场景中使用小数据集，如Stanford Cars, Sketch或COCO，它们比ImageNet小几个数量级。并提出了一

03

NeuroImage：任务态fMRI时间分辨的有效连接：共激活模式的心理生理交互

用功能磁共振研究任务依赖的功能连接（FC）的调制对于揭示认知过程的神经性基质非常关键。目前大多研究方法假设任务期间是持续的FC，但最近研究发现这种假设太局限。虽然很多研究聚焦于静息态的功能动态，但基于任务的研究仍没有完全揭开网络调制。此处，我们提出一个基于种子的方法通过揭示共激活模式的心理生理交互（PPI-CAPs）来探测任务依赖的脑活动调节。这个基于点过程的方法将任务调制的连接时间上分解为动态模块，这种动态模块当前的方法都无法捕捉，如PPI或动态因果模型。另外，它确定了单个frame分辨率共激活模式的出现，而非基于窗的方法。在一个受试者看电视节目的自然设置中，我们找到了以后扣带回（PCC）为种子的共激活的几个模式，其发生率和极性在种子活动上或两者之间的交互上随观看的内容而改变。另外，我们发现跨时间和受试者的有效连接的一致性，让我们得以揭示PPI-CAPs和包含在视频中具体刺激之间的联系。我们的研究表明，明确地追踪瞬态连接模式对于促进我们理解大脑不同区域在接收到一系列线索时是如何动态沟通的至关重要。

00

CIKM2021 | 将对比学习用于解决推荐系统长尾问题

| 链接：https://zhuanlan.zhihu.com/p/443825382

03

理论：T级数据量下的划分聚类方法CLARANS+

定义是这样的，把一个数据对象，划分成子集的过程，使得子集内相似度大，子集外相似度小。这样的一个过程叫做聚类。

04

综述|图像分割技术介绍

图像分割（image segmentation）技术是计算机视觉领域的一个重要的研究方向，是图像语义理解的重要一环。图像分割是指将图像分成若干具有相似性质的区域的过程，从数学角度来看，图像分割是将图像划分成互不相交的区域的过程。近些年来随着深度学习技术的逐步深入，图像分割技术有了突飞猛进的发展，该技术相关的场景物体分割、人体前背景分割、人脸人体Parsing、三维重建等技术已经在无人驾驶、增强现实、安防监控等行业都得到广泛的应用。

01

选机器学习，还是深度学习？看完不纠结

大哥你好，我是来学「人工智能」的。但是，啥是「深度学习」？啥是「机器学习」？「深度学习」和「机器学习」有啥关系？我究竟该学「深度学习」还是「机器学习」？

04

榕树集-蛋白质表面指纹（MaSIF）

分子指纹考虑了结构特征，但是这些结构无序，并么有空间上的相对位置信息，其最后多用谷本系数计算相似性。

03

无需训练，自动扩展的视觉Transformer来了

关注并星标从此不迷路计算机视觉研究院公众号ID｜ComputerVisionGzq 学习群｜扫码在主页获取加入方式计算机视觉研究院专栏作者：Edison_G 来自德克萨斯大学奥斯汀分校、悉尼科技大学和谷歌的研究者提出了一个无需训练就能自动扩展框架 As-ViT，其能以高效和有原则的方式自动发现和扩展 ViT。当前 Vision Transformers （ViT）领域有两个主要的痛点：1、缺少对 ViT 进行设计和扩展的有效方法；2、训练 ViT 的计算成本比卷积网络要大得多。为了解

04

Gossip 协议解析

原文发布于 systemdesign.one 网站。翻译自 Gossip Protocol Explained 。

01

微软斯坦福新算法，杜绝AI灭绝人类风险！GPT-4自我迭代，过程可控可解释

因为如果大模型能通过自主改进自己的权重和框架，不断自我提升能力，不但模型的可解释性无从谈起，而且人类将完全无法预料和控制模型的输出。

02

BZOJ3687: 简单题(dp+bitset)

Description 小呆开始研究集合论了，他提出了关于一个数集四个问题： 1．子集的异或和的算术和。 2．子集的异或和的异或和。 3．子集的算术和的算术和。 4．子集的算术和的异或和。目前为止，小呆已经解决了前三个问题，还剩下最后一个问题还没有解决，他决定把这个问题交给你，未来的集训队队员来实现。 Input 第一行，一个整数n。第二行，n个正整数，表示01，a2…．，。 Output 一行，包含一个整数，表示所有子集和的异或和。 Sample Input 2 1 3 Sampl

06

ACL 2019 | AI2等提出自动知识图谱构建模型COMET，接近人类表现

链接：https://arxiv.org/pdf/1906.05317v1.pdf

03

序列比对：多序列比对与MAFFT

当研究一条DNA或蛋白质序列时，主要关注的是其包含的遗传信息；当研究两条或多条DNA或蛋白质序列时，则主要关注不同序列之间的差别与联系。在生物信息学中，对生物大分子的序列比对是非常基本的工作。

04

技术干货 | 细说YouTube推荐系统的变迁

作者简介郝俊禹：达观数据高级工程师，曾获美国大学生数学建模竞赛二等奖，目前参与达观数据推荐系统研发，负责酷6，wifi万能钥匙和视频看看等项目。众所周知，YouTube是世界上最大的视频网站，网站

04

面试官：如何提升应用的Lighthouse 分数

Lighthouse 是用于测试网页性能工具最有用的技术之一。它具备了自动化，并可以测量网站的可访问性和 SEO。更重要的是，它目前是开源的并且可以免费使用。同时，它可以用来测试渐进式 Web 应用程序。

04

腾讯联合新加坡国立大学研发的这个传播模型，已入选WWW 2024

在社交网络日益成为人们日常生活不可或缺的一部分的今天，信息如何在网络中传播和扩散成为了一个重要课题。邀请感知扩散（invitation-aware diffusion, IAD）描述了信息通过邀请机制从一位用户传播到另一位用户的过程，其涉及用户的邀请和接受行为。IAD在各种现实世界的社交平台上广泛存在，例如微信、领英和网络游戏。与对陌生人的推文进行点赞或评论的行为不同，邀请行为通常发生在私域社交网络的朋友之间，从而通过已建立的社交关系进行传播。例如，腾讯游戏平台经常组织活动以增进熟人之间的友谊，鼓励用户邀请朋友一起游戏，接受邀请的朋友可以进一步邀请他们的朋友，从而创建一连串的邀请。此外，理解IAD的机制有助于提升多种下层应用，如影响力最大化、谣言检测、扩散预测和网红定价。

01

Front. Chem.｜LigBuilder V3：一种多目标的从头药物设计方法

今天给大家介绍的是北京大学来鲁华课题组在frontiers in Chemistry上发表的文章《LigBuilder V3: A Multi-Target de novo Drug Design Approach》。在文章中，作者提出了第一个从头多靶点药物设计程序LigBuilderV3，可用于设计靶向结合多个受体、一个受体的多个结合位点或一个受体的各种构象的配体。为了证明LigBuilderV3的实用性，作者使用LigBuilderV3，并用三种不同的策略，包括多目标从头设计，多目标增长，和多目标连接，设计了靶向HIV蛋白酶和HIV逆转录酶的双功能抑制剂。设计出的化合物经过MM/GBSA结合自由能估计被验证为计算上有效，有较高的作为HIV蛋白酶和HIV逆转录酶的多靶点药物的潜力。LigBuilderV3程序可以在“http://www.pkumdl.cn/ligbuilder3/”上下载。

01

业界 | 分子性质预测新突破：谷歌新型神经网络助力化学研究

选自Google Research Blog 作者：George Dahl 机器之心编译参与：吴攀理论上讲，由原子构成的分子种类的数量是无穷大的。要了解这些分子的性质，化学家往往要进行很多严格的实验，随着新分子的不断出现，这样的工作也是无穷无尽的。为了帮助化学家更快地预测出分子的性质并协助进一步的开发（比如发现新药物或新材料），计算机科学家也在尝试构建能够基于分子的基本数据预测分子性质的算法和模型。近日，谷歌等机构的研究者发表了两篇论文介绍了他们在这方面的研究进展——达到了当前最佳的预测表现。在本文中，

业界 | 谷歌研究院在化学发力：应用机器学习技术预测分子性质

最近，机器学习在化学领域的应用有很大进展，特别是化学搜索问题，从药物筛选、电池设计到OLEDs设计，催化剂的发现。历史上化学家使用薛定谔方程做数值近似来解决化学检索问题，如使用密度泛函理论（DFT），然而近似值的计算成本限制了搜索的规模。为了能够扩大搜索能力，AI科技评论了解到已有几个研究小组使用DFT生成的训练数据，创建ML模型来预测化学性质，例如Matthias Rupp等用机器学习模型来预测各种有机分子的原子化能，Jörg Behler 和 Michele Parrinello引入DFT势能面的

09

斯坦福70亿参数开源模型媲美GPT-3.5，100美元即可复现

机器之心报道机器之心编辑部学界或许没有业界的算力优势，但可以使用 self-instruct 方法直面大规模语言模型的挑战。随着大规模语言模型的日渐强大，人们对 AI 模型提出了伦理道德方面的更高要求。业界在模型规模扩展方面具有算力资源优势，但要想让模型更规范、可靠，需要学术界的努力。近日，斯坦福基于 Meta 的 LLaMA 7B 模型微调出一个新模型 Alpaca。该研究让 OpenAI 的 text-davinci-003 模型以 self-instruct 方式生成 52K 指令遵循（ins

01

Hallucination Improves Few-Shot Object Detection

学习从少量的注释实例中检测新目标具有重要的现实意义。当例子极其有限(少于三个)时，就会出现一种特别具有挑战性而又普遍的制度。改进少样本检测的一个关键因素是解决缺乏变化的训练数据。我们提出通过从基类转移共享的类内变异来为新类建立一个更好的变异模型。为此，我们引入一个幻觉网络，该网络可以学习在感兴趣区域(RoI)特征空间中生成额外的、有用的训练示例，并将其纳入现在的目标检测模型。通过不同的区域建议生成过程，我们的方法在两个目前最先进的少样本检测器上产生了显著的性能改善(TFA和CoRPN)。特别是，我们在极具挑战性的COCO基准上达到了最佳的性能。

05

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭