Tau

首页 > TAG信息列表 > Tau

The Art of Prompting: Event Detection based on Type Specific Prompts

Motivation 之前的研究表明prompt可以提高模型在事件检测方面的性能，包括使用特定structure 使用每种事件类型特定的query 原型 trigger 这些尝试启发对不同prompt效果的探究 Settings 作者在3种setting下做了实验： Supervised event detection Few-shot Event detection 两

看起来很高级的符号

rt，其实是用来方便自己学莫比乌斯反演的......像 $\sum$ 这种东西干嘛要加，反正是给我自己看看的...... $\varphi(n)$：$\sum\limits_{i=1}^{n-1}\left[gcd(n, i) = 1\right]$ $\tau(n)$：$n$ 的约数个数。 $\sigma(n)$：$n$ 的约数之和。 $d_k(n)$：约数 $k$ 次方和。特

Test

LaTeX Test $\alpha$, $\beta$, $\gamma$, $\tau$, $\eta$, $\epsilon$, $\varepsilon$ $\partial$, $\nabla$, $\Delta$ $(\varphi \ast u)(x) = \langle u, \tau_x\widetilde{\varphi}\rangle$ $$(\widehat{u})^{\vee} = u = (u^{\vee})^{\wedge}, \q

logistic回归与牛顿法

Locally Weighted Regression None parametric learning algorithm. Need to keep training data in the memory. Formally fit $\theta$ to minimize \[\sum_{i=1}^{m} w_{i}(y_{i}-\theta^Tx_i)^2 \]where $w_i$ is a weighting function. \[w_i = e^{-\frac

论文分享：[2022 CVPR]Exact Feature Distribution Matching for Arbitrary Style Transfer and Domain Generali

论文：Exact Feature Distribution Matching for Arbitrary Style Transfer and Domain Generalization 论文地址: Exact Feature Distribution Matching for Arbitrary Style Transfer and Domain Generalization 代码地址: https://github.com/YBZh/EFDM 以往一些领域泛化(Doma

【动手学深度学习】51 序列模型

%matplotlib inline import torch from torch import nn from d2l import torch as d2l T = 1000 # 总共产生1000个点 time = torch.arange(1, T + 1, dtype=torch.float32) #生成数据并加入噪音 x = torch.sin(0.01 * time) + torch.normal(0, 0.2, (T,)) d2l.plot(time, [x],

有向图最短偶环的多项式算法 (Björklund, Husfeldt, Kaski, 2022)

本文将对 STOC2022 的一篇论文: "The shortest even cycle problem is tractable" 进行解读. 虽然这是一篇很新的文章, 但是其核心技术还是相当通俗易懂的. 下文讨论的皆为无权图, 或者说, 环的长度就是经过的点的数目. 我们知道, 最短奇环是容易解决的, 因为最短奇回路 (closed w

51序列模型

点击查看代码 import torch from torch import nn from d2l import torch as d2l """

【模板】数论板子

数论分块用于求解 \[\sum\limits_{i=1}^{n}f_i\cdot \left\lfloor\dfrac{n}{i}\right\rfloor \]亦可求解多维 \[\sum\limits_{i=1}^{\min(n_1,n_2,\cdots,n_k)}(f_i\cdot \prod\limits_{j=1}^{k}\left\lfloor\dfrac{n_j}{i}\right\rfloor) \]前提是求出了数论函数$f(n)$的

那些花里胡哨的素数们

昨晚看夏日重现外传的时候，看到了这样的一幕：反素数？安全素数？啥玩意，听都没听说过，只听说过梅森素数和费马素数。然后就滚去百度了一波，发现竟然还有反素数的题，顺便还递归学习到了危险素数、索菲热尔曼素数、强素数的概念，于是就想写个博客，把这些花里胡哨的素数定义都记录下来，加深一波

srp-path笔记

Knapp 和 Cater 提出的广义互相关（Generalized Cross-Correlation , GCC）算法是最常用的TDOA估计方法。 1.1 问题背景考虑只有两个传感器，即$N=2$ 的单源自由场模型。两个麦克风之间的TDOA估计可以等效为能够使麦克风输出的滤波信号之间的互相关函数（Cross-Correlation Function，CC

随机游走004 | 等公交车问题，Do it right now or never ？

0. 引言本科的时候我们的教学楼和宿舍不在一个园区，往返的方式大致有步行、乘坐公交车、骑自行车三类。其中骑自行车车自然是最快捷的一种方式，但遇上冬天天冷风大，或是下雨天时，往往会考虑其他两种通勤方式。乘坐公交车大概是3分钟路程，速度最快，但缺点是要等，等待时间存在一定的不确定

壁面摩擦系数与第一层网格高度

1. 第一层网格节点到壁面距离 1.1 雷诺数计算： \[Re=\frac{\rho u d}{\mu} \]1.2 壁面摩擦系数计算：更多公式参考http://www.cfd-online.com/Wiki/Skin_friction_coeffcient The skin friction coefficient, $C_{f}$, is defined by: \[C_{f} \equiv \frac{\tau_{w}}{\frac{1}{2}

【深度强化学习】GAIL 与 IRL 的理解

GAIL 与 IRL 的理解 Inverse Reinforcement Learning 逆强化学习，顾名思义，就是与强化学习的过程反着走。 Reinforcement Learning 强化学习的过程一般如下：首先我们有一个可以互动的环境；然后我们定义/设置一个奖励函数；Actor 通过不断与环境互动，来最大化奖励函数，找到一个最优的

全局路径规划 - 02 蚁群算法

算法流程：设整个蚂蚁群中蚂蚁的数量为$m$，城市的数量为$n$，城市$i$与城市$j$之间的相互距离为$d_{ij} \left( i,j=1,2,\cdots,n \right)$，$t$时刻城市与城市连接路径上的信息素浓度为$\tau_{ij} \left(t\right)$。初始时刻，各个城市间连接路径上的信息素浓度相同，不妨

HydroOJ H1081. ‘Riliane Lucifen d’Autriche’ teafrogsf 和他的四面镜子

HydroOJ H1081. ‘Riliane Lucifen d’Autriche’ teafrogsf 和他的四面镜子不妨对 $a$ 从大到小排序。我们定义一个状态为选取 $m$ 个数的一种方案。那么要求的就是价值第 $k$ 大的状态的价值。设状态 $S=\{a_1,a_2,\ldots a_m\}$。定义 \(\operatorname{suc}(

[半监督学习] FlexMatch: Boosting Semi-Supervised Learning with Curriculum Pseudo Labeling

在 FixMatch 中, 对所有类别使用预定义的常量阈值来选择有助于训练的未标记数据, 因此无法考虑不同类别的不同学习状态和学习难度, UDA 也是如此. 为解决这个问题, 提出课程伪标签(Curriculum Pseudo Labeling, CPL), 这是一种根据模型的学习状态利用未标记数据的课程学习方

自回归模型的两种策略——马尔科夫假设与隐变量自回归模型

基础知识序列模型的基础由概率论中的贝叶斯公式可知得到全概率公式也就是每一个xt时刻的值，是与它之前所有时刻的值都有关系，因此如果可以通过前面的值推算出分布或者函数（不一定完全按照这个分布），那么就可以有准确的预测。序列模型自回归模型的两种策略 1、（马尔科夫假设）假

随机过程总结(3)--一些非平稳过程

平稳过程与一些非平稳过程平稳过程常用的概念是宽平稳过程（WSS），宽平稳过程要求该过程的一阶矩和二阶矩不时变，即: E { x ( t

详解策略梯度算法

详解策略梯度算法引言根据智能体学习的不同，可将其分为Value-based方法、Policy-based方法以及Actor-Critic方法。之前我们介绍的Q-learning、Saras和DQN都是基于价值去学习，虽然这种强化学习方法在很多领域都获得较多的应用，但是它的局限性也是比较明显。首先这类算法基本上都是处

如何通俗易懂地解释卷积？

　　卷积这个概念，很早以前就学过，但是一直没有搞懂。教科书上通常会给出定义，给出很多性质，也会用实例和图形进行解释，但究竟为什么要这么设计，这么计算，背后的意义是什么，往往语焉不详。一个公式倘若倘若给不出结合实际的直观的通俗的解释（也就是背后的“物理”意义），就觉得少了点什么，觉得

BUAA_概率统计_Chap11_平稳过程

第十一章平稳过程 11.1 严平稳过程 11.1.1 严平稳过程的定义对于任意实数 $\varepsilon$，如果随机过程 $\{X(t), t\in T\}$ 的任意 $n$ 维分布满足： \[\begin{aligned} & F(x_1, x_2, ..., x_n; t_1, t_2, ..., t_n)\\ = & F(x_1, x_2, ..., x_n; t_1 + \varepsilon, t_2

线性代数学习笔记——行列式（针对期末与考研）

文章目录 n阶行列式定义排列逆序、逆序数定义例子一奇排列、偶排列特殊行列式行列式性质余子式行列式计算 n阶行列式定义设 A = (

基础拓扑学讲义 1.14 拓扑子空间开集族传递性

拓扑子空间开集族传递性 $X$ 是拓扑空间，$A\subset X$，则 $A$ 上开集族 \[\tau_A = \{U\cap A~|~U \in \tau_X\} \]$B\subset A$，则 $B$ 上开集族 \[\begin{aligned} \tau_B &= \{V\cap B~|~ V \in \tau_A\}\\ &=\{ (U\cap A)\cap B~|~U\in

【题解】CF1479E School Clubs

CF1479E 题解前置知识：鞅与停时定理鞅我们有一个随机过程 $X_0,X_1, ...$。如果 $\forall n \in \mathbb N, \ E(Y_n) < \infty$ 且 $\forall n \in \mathbb N^+, \ E(Y_{n + 1}|X_n,X_{n-1},...,X_0) = E(Y_n)$，则我们称 $Y_0, Y_1, ...$ 为该随机过程的鞅。离散时间鞅