来源:arXiv 作者:费欣欣 【新智元导读】本周,谷歌团队在arXiv上传了一篇论文,探讨用机器学习取代数据库索引,引发了大量的关注和讨论。作者还概述了如何使用这一思想来替换数据库系统的其他组件和操作,包括排序和连接。如果成功,数据系统的开发方式将会彻底改变。 “如果这项研究取得更多的成果,将来有一天我们很可能回过头看然后说,索引是最先倒下的,接着是其他的数据库组件(排序算法、查询优化、连接),它们都逐渐被神经网络取代。”纽约州立大学布法罗分校的计算机科学和工程教授Murat Demirbas这样说。 文
作为开发 LLM 应用的框架,LangChain 内部不仅包含诸多模块,而且支持外部集成;Milvus 同样可以支持诸多 LLM 集成,二者结合除了可以轻松搭建一个 LLM 应用,还可以起到强化 ChatGPT 功能和效率的作用。
窗体和应用程序类表示Form和Application对象,这些类是从TComponent派生而来,它们实际也是组件,单独地把它列举出来,以示与拖到窗体上的控件加以区别。
最新版本的 MMDetection 已经支持 Open Images 数据集啦!在具体的实现过程中,我们使用了对长尾问题涨点明显的 Class Aware Sampler 策略进行训练。相较于基础的 Faster R-CNN ,Open Images Challenge 2019 的测试精度有超过 10 个点的提升( 54.87 -> 64.98);Open Images v6 的测试精度有接近 10 个点的提升(51.6 -> 60.0)。
python doc里面有段这样的描述,将日期时间分为两种类型“aware”和“naive”。navie不携带timezone时区信息,所以navie的时间格式在理解上会有歧义。
之前,笔者已经发布了网络感知应用和基于跳数的最短路径转发应用。本文将介绍笔者开发的网络时延探测应用。该应用通过LLDP数据包的时延和Echo数据包的时延计算得出链路的时延数据,从而实现网络链路时延的感知。详细原理和实现步骤将在文章中详细介绍。 测试原理 网络时延探测应用利用了Ryu自带的Switches模块的数据,获取到了LLDP数据发送时的时间戳,然后和收到的时间戳进行相减,得到了LLDP数据包从控制器下发到交换机A,然后从交换机A到交换机B,再上报给控制器的时延T1,示例见图1的蓝色箭头。同理反向的时延
绑定变量窥探的副作用就在于,使用了绑定变量的目标SQL只会沿用之前硬解析时所产生的解析树和执行计划,即使这种沿用完全不适合于当前的情形。在Oracle 10g及其后续的版本中,Oracle会自动收集直方图统计信息,这意味着与之前的版本相比,在Oracle 10g及其后续的版本中Oracle有更大的概率会知道目标列实际数据的分布情况,也就是说绑定变量窥探的副作用将会更加明显。当Oracle执行绑定变量窥探操作时绑定变量所对应的输入值是否具有代表性就至关重要了(这里“代表性”是指该输入值所对应的执行计划和该SQL在大多数情况下的执行计划相同),因为这会直接决定此目标SQL在硬解析时所选择的执行计划,进而决定后续以软解析/软软解析重复执行时所沿用的执行计划。
Hello everyone, I’m roc, from the Tencent Kubernetes Engine (TKE) team. Today I will introduce a new feature of kubernetes in v1.17 that I am involved in: topology-aware service routing.
2020 十月 11 17:53
跨文化交流和翻译一直是全球化时代面临的重要挑战之一。随着自然语言处理(NLP)技术的不断发展,其在促进不同语言和文化之间的交流方面发挥了日益重要的作用。本文将深入探讨NLP技术在跨文化交流和翻译中的应用,通过结合实例展示其如何弥合语言障碍、促进文化理解和推动全球交流的便利性。
Machine learning has become an indispensable part of the existing technological domain. Edge computing and Internet of Things (IoT) together presents a new opportunity to imply machine learning techniques at the resource constrained embedded devices at the edge of the network.
第43届国际信息检索研究和发展大会(SIGIR)将于2020年7月25-30日在美丽的中国西安举行。此次大会共收到了555篇长文投稿,录用147篇,长文录取率26.4%;共收到了507篇短文投稿,录用153篇,短文录取率30%。
只要做过软件开发,想必一定听说过“吃狗食”这样的说法,说的就是软件开发者应该使用自己开发的软件,这样便于理解你的系统,从而发现问题并解决问题。
第17届推荐系统年会(ACM RecSys)将在2023年9月18日到22日于新加坡举办。值得注意的是,本届年会是疫情发生以来的首次线下参会,大家可以在线下共享推荐系统领域的最新研究进展(面基)。并且这也是RecSys入选CCF推荐列表B类会议的首次会议,相信未来会有更多研究者瞄准这一会议进行投稿。
本文精选了上周(0605-0611)最新发布的19篇推荐系统相关论文,主要研究方向包括对话推荐系统、公平性推荐、大型语言模型赋能推荐系统、图推荐系统、多模态推荐系统等。
国际顶级学术会议WWW2020定在2020年4月20-24日于中国台湾举办。受COVID-19疫情影响(疫情赶紧过去吧),大会将在线上举行。今天是大会开始的第一天。
本文精选了上周(0617-0623)最新发布的19篇推荐系统相关论文,主要研究方向包括大模型强化学习提升推荐新颖度、异质贝叶斯网络音乐推荐、大模型类别引导的零样本推荐、推荐架构加速、利用图学习增强语言模型推荐系统、多语言新闻推荐、高效序列推荐、大模型增强的多场景推荐、大模型工作推荐、基于图的标签推荐、多模态扩散模型推荐、大模型新闻推荐、为大模型推荐蒸馏序列模式、将图卷积和对比学习统一到协同过滤框架、大模型增强的重排等。
本文精选了上周(0417-0423)最新发布的30篇推荐系统相关论文,主要的研究领域为会话推荐和序列推荐,所利用的技术包括遗忘学习、注意力机制、提示学习、去偏学习、长尾学习、图神经网络、对比学习、扩散模型、多任务学习、ChatGPT、ODE等。
最近整理了AAAI2020会议中关于推荐系统的论文,同时通过代码分析了下所接收论文的标题,发现了一些研究的热点以及趋势。
一.前言 OpenDaylight开源控制器是业界当前比较流行的SDN控制器,其受到业界关注的主要原因是其具有良好的适应性,可适配不同的南向接口以控制现网各种各样的网络设备,从而使其在未来会有更多的应用场景。除此之外,相比于其它SDN控制器,OpenDaylight引入了基于模型的编程(Model-Driven),并且在软件架构实现中,采用了MD-SAL(Model-Driven Service Abstraction Layer)的中间适配层,以实现北向接口与南向接口的解耦,保证南北向接口独立发展,互不影
ACM SIGIR 2022是CCF A类会议,人工智能领域智能信息检索( Information Retrieval,IR)方向最权威的国际会议。会议专注于信息的存储、检索和传播等各个方面,包括研究战略、输出方案和系统评估等等。第45届国际计算机学会信息检索大会(The 45rd International ACM SIGIR Conference on Research and Development in Information Retrieval, SIGIR 2022)计划于今年7月11日-7月15日在西班牙马德里召开。这次会议共收到794篇长文和667篇短文投稿,有161篇长文和165篇短文被录用,录用率约为20%和24.7%。官方发布的接收论文列表:
当前开放域的评论生成常常产生重复且无趣的回复。作者认为原因是直接使用真实用户评论会带入大量的噪音,比如同一篇文章会有多个、且可能相互矛盾的评论,并且由于检索方法会比较刻板,最终导致生成的结果问题。因此文章提出了结合检索和生成的方法,利用已有用户评论和检索出相关评论,训练一个打分器scorer(怎么训练呢?)。然后利用这些评论和文章,作为copy机制生成模型的训练数据。
由于基础图表绘制系列推文还在加紧准备中,所以这期推文还是对一些感兴趣的图表进行绘制,这期涉及空间图表绘制,主要涉及知识点如下:
其实我很早就想试着用R进行此类图表的绘制了,但由于强大的Arcgis和绘图进度等原因,导致迟迟没有进行,这期就进行此类图表的绘制。注:图中散点的经纬度信息已从朋友那获知,但涉及具体数据则是虚构的。
CIKM 2022的论文已出,笔者整理了其中的推荐系统,点击率以及因果推断相关的论文。今年跨域,图学习还是热点,点击率模型中长短期兴趣的处理是热点。
authors:: Defu Lian, Yongji Wu, Yong Ge, Xing Xie, Enhong Chen container:: Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining year:: 2020 DOI:: 10.1145/3394486.3403252 rating:: ⭐⭐⭐ share:: true comment:: 创新主要在于地理位置信息编码,将 GPS 信息转化为网格,再对 quadkey 进行编码,损失函数部分加上负样本概率对负样本进行加强。
本文汇总了ECCV 2020上部分对抗相关论文,后续公众号会随缘对一些paper做解读。感兴趣的同学,可先自行根据标题,搜索对应链接(有些paper可能未公布)。值得注意的是,这里的对抗包括了生成对抗GAN、以及对抗攻击/防御,两者概念上是迥然的。
一 背景 google的Architecture Components Components(lz 简写AAC)出来好久了,但一直没时间阅读源码,趁最近空挡,阅读了AAC的源码,分享下阅读的理解。 二 AAC是个什么东西 其实,AAC就是google提出的一种app开发框架,里面最基础的应该就是Lifecycle-Aware了。 在这之前,我们组开发采用的mvvm + data binding 模式。 这个模式中,我们常常这样一个需求, 我们需要在fragment onDestroy 或 onPause时,
T2F 结合了最近的两个架构 StackGAN 和 ProGAN,用于从文本描述中合成面部,该项目使用 Face2Text 数据集,每个数据集包含 400 个图像和文字说明。 数据包含在 data / LFW / Face2Text / face2text_v0.1 目录下的存储库中。
第31届信息和知识管理国际会议CIKM2022将于2022年10月17日-21日以混合会议的方式在美国亚特兰大举行。CIKM会议是数据库/数据挖掘/内容检索领域顶级国际会议,也是中国计算机学会规定的CCF B类会议。关于该会议在历年推荐系统论文收录情况请参考下文:
Bert使用的激活函数是GELU: 正态分布下GELU(x),论文给出了近似计算公式:
作者:Junyu Zhu, Lina Liu, Yong Liu, Wanlong Li, Feng Wen, Hongbo Zhang
Aliasing-Aware and Cell-Controllable Pixelization
WWW 2023组委会近日放出了正式接收论文清单。大会共收到了1900篇论文,接收365篇,录用率为19.2%。完整清单见:
第32届国际人工智能联合会议(International Joint Conference on Artificial Intelligence, 简称为IJCAI)是人工智能领域最顶级的国际学术会议之一,也是CCF-A类会议。今年的IJCAI将于2023年8月19-25日在中国澳门特别行政区举办。在今年的4566篇投稿论文中,有大约15%的论文被接收,其中跟推荐系统相关的论文大约16篇。通过对今年的论文题目进行分析发现,对于图数据的挖掘仍然是主流,所涉及的技术涵盖多模态、注意力、强化学习、联邦学习等技术。
本文将讨论PE文件中非常重要的一部分信息。(转载请指明来源于breakSoftware的CSDN博客)
论文标题:ClusterSCL: Cluster-Aware Supervised Contrastive Learning on Graphs
CVPR2022论文和代码整理:https://github.com/DWCTOD/CVPR2022-Papers-with-Code-Demo
---- 新智元报道 编辑:好困 LRS 【新智元导读】今天给大家安利一个宝藏仓库miemiedetection , 该仓库集合了PPYOLO、PPYOLOv2、PPYOLOE三个算法pytorch实现三合一,其中的PPYOLOv2和PPYOLO算法刚刚支持了导出ncnn。 众所周知,PPYOLO和PPYOLOv2的导出部署非常困难,因为它们使用了可变形卷积、MatrixNMS等对部署不太友好的算子。 而作者在ncnn中实现了可变形卷积DCNv2、CoordConcat、PPYOLO Decode
小目标问题在物体检测和语义分割等视觉任务中一直是存在的一个难点,小目标的检测精度通常只有大目标的一半。
http://mpvideo.qpic.cn/0bf2ruaguaaawaakfszb25qvbdodnkgqa2qa.f10004.mp4?dis_k=9b270ae26fa20c5099d0208
上篇推文我们介绍了使用Python-pykrige包实现了克里金(Kriging)插值计算及对应的可视化结果绘制,详细内容点击下方链接:Python-pykrige包-克里金(Kriging)插值计算及可视化绘制,相信你也感受到了Python的简单方便性。本期推文,我们就推出使用R-gstat包实现克里金(Kriging)插值的计算及对应结果的可视化绘制,主要知识点如下:
摘要: With the development in the Cloud datacenters, the purpose of the efficient resource allocation is to meet the demand of the users instantly with the minimum rent cost. Thus, the elastic resource allocation strategy is usually combined with the prediction technology. This article proposes a novel predict method combination forecast technique, including both exponential smoothing (ES) and auto-regressive and polynomial fitting (PF) model. The aim of combination prediction is to achieve an efficient forecast technique according to the periodic and random feature of the workload and meet the application service level agreement (SLA) with the minimum cost. Moreover, the ES prediction with PSO algorithm gives a fine-grained scaling up and down the resources combining the heuristic algorithm in the future. APWP would solve the periodical or hybrid fluctuation of the workload in the cloud data centers. Finally, experiments improve that the combined prediction model meets the SLA with the better precision accuracy with the minimum renting cost. 预测式策略,使用功能了exponential smoothing and auto-regressive and polynomical fitting model,组合预测模型的目的是满足不同流量的需要同时满足服务SLA的要求使用PSO算法来进行一个细粒度的调度。用更低的租用成本实现更高的预测精度。
另外,在目标列有Frequency类型直方图的前提条件下,如果对目标列施加等值查询条件,且该查询条件的输入值等于该列的某个实际值时,则该谓词条件的可选择率的计算公式为如下所示:
What's SFC Service Function Chaining provides the ability to define an ordered list of a network services (e.g. firewalls, load balancers). These service are then "stitched" together in the network to create a service chain. This project provides the infra
领取专属 10元无门槛券
手把手带您无忧上云