勋章
我关注的人
粉丝
技术能力
暂时未有相关云产品技术能力~
公众号 Deephub-IMBA
-
发表了文章 2025-01-29
十大主流联邦学习框架：技术特性、架构分析与对比研究
联邦学习（FL）是保障数据隐私的分布式模型训练关键技术。业界开发了多种开源和商业框架，如TensorFlow Federated、PySyft、NVFlare、FATE、Flower等，支持模型训练、数据安全、通信协议等功能。这些框架在灵活性、易用性、安全性和扩展性方面各有特色，适用于不同应用场景。选择合适的框架需综合考虑开源与商业、数据分区支持、安全性、易用性和技术生态集成等因素。联邦学习已在医疗、金融等领域广泛应用，选择适配具体需求的框架对实现最优模型性能至关重要。
-
发表了文章 2025-01-21
金融波动率的多模型建模研究：GARCH族与HAR模型的Python实现与对比分析
本文探讨了金融资产波动率建模中的三种主流方法：GARCH、GJR-GARCH和HAR模型，基于SPY的实际交易数据进行实证分析。GARCH模型捕捉波动率聚类特征，GJR-GARCH引入杠杆效应，HAR整合多时间尺度波动率信息。通过Python实现模型估计与性能比较，展示了各模型在风险管理、衍生品定价等领域的应用优势。
-
发表了文章 2025-01-11
深度强化学习实战：训练DQN模型玩超级马里奥兄弟
本文介绍了如何利用深度学习和强化学习技术构建一个能够自主学习并完成《超级马里奥兄弟》游戏的智能系统。通过使用深度Q网络（DQN）架构，智能体在虚拟环境中与游戏进行交互，逐步优化其行为策略。文中详细描述了环境构建、神经网络设计、智能体-环境交互机制等关键步骤，并展示了系统的训练过程和最终表现。该研究不仅展示了强化学习在游戏领域的应用潜力，也为未来的研究提供了宝贵的经验和技术参考。
-
发表了文章 2025-01-03
深度强化学习中SAC算法：数学原理、网络架构及其PyTorch实现
软演员-评论家算法（Soft Actor-Critic, SAC）是深度强化学习领域的重要进展，基于最大熵框架优化策略，在探索与利用之间实现动态平衡。SAC通过双Q网络设计和自适应温度参数，提升了训练稳定性和样本效率。本文详细解析了SAC的数学原理、网络架构及PyTorch实现，涵盖演员网络的动作采样与对数概率计算、评论家网络的Q值估计及其损失函数，并介绍了完整的SAC智能体实现流程。SAC在连续动作空间中表现出色，具有高样本效率和稳定的训练过程，适合实际应用场景。
-
发表了文章 2024-12-30
SCOPE：面向大语言模型长序列生成的双阶段KV缓存优化框架
KV缓存是大语言模型（LLM）处理长文本的关键性能瓶颈，现有研究多聚焦于预填充阶段优化，忽视了解码阶段的重要性。本文提出SCOPE框架，通过分离预填充与解码阶段的KV缓存策略，实现高效管理。SCOPE保留预填充阶段的关键信息，并在解码阶段引入滑动窗口等策略，确保重要特征的有效选取。实验表明，SCOPE仅用35%原始内存即可达到接近完整缓存的性能水平，显著提升了长文本生成任务的效率和准确性。
-
发表了文章 2024-12-29
Python环境管理的新选择：UV和Pixi，高性能Python环境管理方案
近期Python生态系统在包管理领域发生了重要变化，Anaconda调整商业许可证政策，促使社区寻找更开放的解决方案。本文介绍两款新一代Python包管理工具：UV和Pixi。UV用Rust编写，提供高性能依赖解析和项目级环境管理；Pixi基于Conda生态系统，支持conda-forge和PyPI包管理。两者分别适用于高性能需求和深度学习项目，为开发者提供了更多选择。
-
发表了文章 2024-12-28
高精度保形滤波器Savitzky-Golay的数学原理、Python实现与工程应用
Savitzky-Golay滤波器是一种基于局部多项式回归的数字滤波器，广泛应用于信号处理领域。它通过线性最小二乘法拟合低阶多项式到滑动窗口中的数据点，在降噪的同时保持信号的关键特征，如峰值和谷值。本文介绍了该滤波器的原理、实现及应用，展示了其在Python中的具体实现，并分析了不同参数对滤波效果的影响。适合需要保持信号特征的应用场景。
-
发表了文章 2024-12-27
多维偏好分析及其在实际决策中的应用：基于PCA-KMeans的数据降维与模式识别方法
多维偏好分析（MPA）是市场营销、心理学和公共政策等领域广泛应用的工具，用于研究复杂偏好决策过程。本文通过主成分分析（PCA）和K均值聚类算法对鸢尾花数据集进行降维和模式识别，展示了PCA在保留95.8%方差的同时实现物种分类的有效性，K均值聚类结果与实际物种分类高度一致。该方法揭示了高维数据中的隐含模式，为各领域的实际决策提供了可靠的分析框架，具有重要的应用价值。研究表明，PCA和聚类分析能够有效简化和理解高维偏好数据，帮助决策者制定更有针对性的策略。
-
发表了文章 2024-12-24
BERT的继任者ModernBERT：融合长序列处理、代码理解与高效计算的新一代双向编码器
ModernBERT 是一个全新的模型系列，在**速度**和**准确性**两个维度上全面超越了 BERT 及其后继模型。
-
发表了文章 2024-12-23
10个必备Python调试技巧：从pdb到单元测试的开发效率提升指南
在Python开发中，调试是提升效率的关键技能。本文总结了10个实用的调试方法，涵盖内置调试器pdb、breakpoint()函数、断言机制、logging模块、列表推导式优化、IPython调试、警告机制、IDE调试工具、inspect模块和单元测试框架的应用。通过这些技巧，开发者可以更高效地定位和解决问题，提高代码质量。
-
发表了文章 2024-12-21
LEC: 基于Transformer中间层隐藏状态的高效特征提取与内容安全分类方法
通过利用Transformer中间层的隐藏状态，研究提出了层增强分类（LEC）技术，该技术能够以极少的训练样本和参数实现高效的内容安全和提示注入攻击分类，显著提升了模型的性能，并验证了其跨架构和领域的泛化能力。
-
发表了文章 2024-12-20
时间序列分析中的互相关与相干性分析：前导-滞后关系的理论基础与实际应用
时间序列数据在现代数据分析中广泛应用，从金融市场到生物医学领域。本文重点介绍两种分析工具：互相关和相干性分析。互相关用于量化两个时间序列的时域关系，揭示前导-滞后关系；相干性分析则评估信号在频率域的相关性，适用于脑电图等研究。通过实际案例和Python代码示例，展示了这两种方法的应用价值。
-
发表了文章 2024-12-18
基于Copula分布的合成数据采样：保持多维数据依赖结构的高效建模方法
本文深入探讨了Copula的基础理论、运作机制及其在数据科学领域的应用。Copula作为一种数学框架，能够将随机变量间的依赖关系与其边际分布分离，特别适用于处理非线性依赖关系或异质分布变量。文章通过年龄与收入的关系分析，展示了Copula在多元分析中的独特优势，并介绍了高斯Copula的具体应用实例。此外，还详细讲解了Copula在合成数据生成中的应用，验证了合成数据在训练机器学习模型时的有效性。
-
发表了文章 2024-12-17
数据分布检验利器：通过Q-Q图进行可视化分布诊断、异常检测与预处理优化
Q-Q图（Quantile-Quantile Plot）是一种强大的可视化工具，用于验证数据是否符合特定分布（如正态分布）。通过比较数据和理论分布的分位数，Q-Q图能直观展示两者之间的差异，帮助选择合适的统计方法和机器学习模型。本文介绍了Q-Q图的工作原理、基础代码实现及其在数据预处理、模型验证和金融数据分析中的应用。
-
发表了文章 2024-12-15
Differential Transformer: 通过差分注意力机制提升大语言模型性能
《Differential Transformer》论文提出了一种新的差分注意力机制，旨在解决传统Transformer模型过分关注不相关信息的问题。该机制通过计算两个独立的注意力图谱之差来消除注意力噪声，提高模型性能。实验结果显示，DIFF Transformer在减少参数量和训练token数量的同时，显著提升了多目标检索任务的准确率。
-
发表了文章 2024-12-12
使用PaliGemma2构建多模态目标检测系统：从架构设计到性能优化的技术实践指南
本文详细介绍了PaliGemma2模型的微调流程及其在目标检测任务中的应用。PaliGemma2通过整合SigLIP-So400m视觉编码器与Gemma 2系列语言模型，实现了多模态数据的高效处理。文章涵盖了开发环境构建、数据集预处理、模型初始化与配置、数据加载系统实现、模型微调、推理与评估系统以及性能分析与优化策略等内容。特别强调了计算资源优化、训练过程监控和自动化优化流程的重要性，为机器学习工程师和研究人员提供了系统化的技术方案。
-
发表了文章 2024-12-08
从方向导数到梯度：深度学习中的关键数学概念详解
方向导数衡量函数在特定方向上的变化率，其值可通过梯度与方向向量的点积或构造辅助函数求得。梯度则是由偏导数组成的向量，指向函数值增长最快的方向，其模长等于最速上升方向上的方向导数。这两者的关系在多维函数分析中至关重要，广泛应用于优化算法等领域。
-
发表了文章 2024-12-07
ORCA：基于持续批处理的LLM推理性能优化技术详解
大语言模型（LLMs）的批处理优化面临诸多挑战，尤其是由于推理过程的迭代性导致的资源利用不均问题。ORCA系统通过引入迭代级调度和选择性批处理技术，有效解决了这些问题，大幅提高了GPU资源利用率和系统吞吐量，相比FasterTransformer实现了最高37倍的性能提升。
-
发表了文章 2024-12-06
深入解析图神经网络：Graph Transformer的算法基础与工程实践
Graph Transformer是一种结合了Transformer自注意力机制与图神经网络（GNNs）特点的神经网络模型，专为处理图结构数据而设计。它通过改进的数据表示方法、自注意力机制、拉普拉斯位置编码、消息传递与聚合机制等核心技术，实现了对图中节点间关系信息的高效处理及长程依赖关系的捕捉，显著提升了图相关任务的性能。本文详细解析了Graph Transformer的技术原理、实现细节及应用场景，并通过图书推荐系统的实例，展示了其在实际问题解决中的强大能力。
-
发表了文章 2024-12-02
图卷积网络入门：数学基础与架构设计
本文系统地阐述了图卷积网络的架构原理。通过简化数学表述并聚焦于矩阵运算的核心概念，详细解析了GCN的工作机制。
-
发表了文章 2024-12-01
从本地部署到企业级服务：十种主流LLM推理框架的技术介绍与对比
本文深入探讨了十种主流的大语言模型（LLM）服务引擎和工具，涵盖从轻量级本地部署到高性能企业级解决方案，详细分析了它们的技术特点、优势及局限性，旨在为研究人员和工程团队提供适合不同应用场景的技术方案。内容涉及WebLLM、LM Studio、Ollama、vLLM、LightLLM、OpenLLM、HuggingFace TGI、GPT4ALL、llama.cpp及Triton Inference Server与TensorRT-LLM等。
-
发表了文章 2024-11-29
置信区间与预测区间：数据科学中的不确定性量化技术深度解读
本文深入探讨了统计学中两个常见但容易混淆的不确定性量化工具：置信区间和预测区间。
-
发表了文章 2024-11-24
IoU已经out了，试试这几个变体:GIoU、DIoU和CIoU介绍与对比分析
本文探讨了目标检测中常用的交并比（IoU）及其变体，包括广义交并比（GIoU）、距离交并比（DIoU）和完全交并比（CIoU）。这些指标不仅提高了模型在处理不重叠、距离较远或形状差异大的边界框时的表现，还为模型的学习过程提供了更深入的洞察。文章详细解释了各指标的计算方法及应用场景，并提供了相应的代码示例，帮助读者更好地理解和应用这些先进的评估指标。
-
发表了文章 2024-11-23
图神经网络在欺诈检测与蛋白质功能预测中的应用概述
金融交易网络与蛋白质结构的共同特点是它们无法通过简单的欧几里得空间模型来准确描述，而是需要复杂的图结构来捕捉实体间的交互模式。传统深度学习方法在处理这类数据时效果不佳，图神经网络（GNNs）因此成为解决此类问题的关键技术。GNNs通过消息传递机制，能有效提取图结构中的深层特征，适用于欺诈检测和蛋白质功能预测等复杂网络建模任务。
-
发表了文章 2024-11-22
优化注意力层提升 Transformer 模型效率：通过改进注意力机制降低机器学习成本
Transformer架构自2017年被Vaswani等人提出以来，凭借其核心的注意力机制，已成为AI领域的重大突破。该机制允许模型根据任务需求灵活聚焦于输入的不同部分，极大地增强了对复杂语言和结构的理解能力。起初主要应用于自然语言处理，Transformer迅速扩展至语音识别、计算机视觉等多领域，展现出强大的跨学科应用潜力。然而，随着模型规模的增长，注意力层的高计算复杂度成为发展瓶颈。为此，本文探讨了在PyTorch生态系统中优化注意力层的各种技术，
-
发表了文章 2024-11-21
LLM2CLIP：使用大语言模型提升CLIP的文本处理，提高长文本理解和跨语言能力
LLM2CLIP 为多模态学习提供了一种新的范式，通过整合 LLM 的强大功能来增强 CLIP 模型。
-
发表了文章 2024-11-17
25 个值得关注的检索增强生成 (RAG) 模型和框架
大型语言模型（LLM）如GPT-4在自然语言处理（NLP）领域展现了卓越能力，但也存在知识截止、静态知识库和内存限制等局限。检索增强生成（RAG）通过集成检索机制，允许LLM动态访问和整合外部数据源，提高了生成响应的准确性、相关性和时效性。本文深入探讨了25种先进的RAG变体，每种变体都旨在优化检索和生成过程的特定方面，涵盖成本限制、实时交互和多模态数据集成等问题，展示了RAG在提升NLP能力方面的多功能性和潜力。
-
发表了文章 2024-11-15
告别Print，使用IceCream进行高效的Python调试
本文将介绍**IceCream**库，这个专门用于调试的工具显著提升了调试效率，使整个过程更加系统化和规范化。
-
发表了文章 2024-11-14
为什么卷积现在不火了：CNN研究热度降温的深层原因分析
纵观近年的顶会论文和研究热点，我们不得不承认一个现实：CNN相关的研究论文正在减少，曾经的"主角"似乎正逐渐淡出研究者的视野。
-
发表了文章 2024-11-12
TSMamba：基于Mamba架构的高效时间序列预测基础模型
TSMamba通过其创新的架构设计和训练策略，成功解决了传统时间序列预测模型面临的多个关键问题。
-
发表了文章 2024-11-09
通过pin_memory 优化 PyTorch 数据加载和传输:工作原理、使用场景与性能分析
在 PyTorch 中，`pin_memory` 是一个重要的设置，可以显著提高 CPU 与 GPU 之间的数据传输速度。当 `pin_memory=True` 时，数据会被固定在 CPU 的 RAM 中，从而加快传输到 GPU 的速度。这对于处理大规模数据集、实时推理和多 GPU 训练等任务尤为重要。本文详细探讨了 `pin_memory` 的作用、工作原理及最佳实践，帮助你优化数据加载和传输，提升模型性能。
-
发表了文章 2024-11-08
贝叶斯统计中常见先验分布选择方法总结
本文详细介绍了贝叶斯统计中三种常见的先验分布选择方法:经验贝叶斯方法、信息先验和无信息/弱信息先验。
-
发表了文章 2024-11-07
Tokenformer：基于参数标记化的高效可扩展Transformer架构
本文是对发表于arXiv的论文 "TOKENFORMER: RETHINKING TRANSFORMER SCALING WITH TOKENIZED MODEL PARAMETERS" 的深入解读与扩展分析。主要探讨了一种革新性的Transformer架构设计方案，该方案通过参数标记化实现了模型的高效扩展和计算优化。
-
发表了文章 2024-11-06
基于LLM Graph Transformer的知识图谱构建技术研究：LangChain框架下转换机制实践
本文介绍了LangChain的LLM Graph Transformer框架，探讨了文本到图谱转换的双模式实现机制。基于工具的模式利用结构化输出和函数调用，简化了提示工程并支持属性提取；基于提示的模式则为不支持工具调用的模型提供了备选方案。通过精确定义图谱模式（包括节点类型、关系类型及其约束），显著提升了提取结果的一致性和可靠性。LLM Graph Transformer为非结构化数据的结构化表示提供了可靠的技术方案，支持RAG应用和复杂查询处理。
-
发表了文章 2024-11-05
基于Liquid State Machine的时间序列预测:利用储备池计算实现高效建模
**Liquid State Machine (LSM)** 是一种 **脉冲神经网络 (Spiking Neural Network, SNN)** ,在计算神经科学和机器学习领域中得到广泛应用,特别适用于处理 **时变或动态数据**。它是受大脑自然信息处理过程启发而提出的一种 **脉冲神经网络** 。
-
发表了文章 2024-11-03
基于PyTorch的大语言模型微调指南：Torchtune完整教程与代码示例
**Torchtune**是由PyTorch团队开发的一个专门用于LLM微调的库。它旨在简化LLM的微调流程,提供了一系列高级API和预置的最佳实践
-
发表了文章 2024-11-02
10种数据预处理中的数据泄露模式解析:识别与避免策略
在机器学习中，数据泄露是一个常见问题，指的是测试数据在数据准备阶段无意中混入训练数据，导致模型在测试集上的表现失真。本文详细探讨了数据预处理步骤中的数据泄露问题，包括缺失值填充、分类编码、数据缩放、离散化和重采样，并提供了具体的代码示例，展示了如何避免数据泄露，确保模型的测试结果可靠。
-
发表了文章 2024-11-01
随机性、熵与随机数生成器:解析伪随机数生成器（PRNG）和真随机数生成器（TRNG）
随机性在密码学、仿真和机器学习等领域中至关重要，本文探讨了随机性、熵的概念以及伪随机数生成器（PRNG）和真随机数生成器（TRNG）的原理和应用。PRNG通过算法生成看似随机的序列，适用于高效需求；TRNG利用物理过程生成真正随机数，适用于高安全需求。文章还讨论了两者的协同应用及其面临的挑战。
-
发表了文章 2024-10-31
Github上的十大RAG(信息检索增强生成)框架
信息检索增强生成（RAG）是一种结合了检索系统和生成模型优势的技术，能够显著提升大型语言模型的性能。RAG通过从外部知识库中检索相关信息，增强模型的输入，从而生成更加准确、符合上下文、实时更新的响应。GitHub上涌现出多个开源RAG框架，如Haystack、RAGFlow、txtai等，每个框架都有独特的功能和特性，适用于不同的应用场景。这些框架不仅提高了模型的准确性和可靠性，还增强了过程的透明度和可解释性。
-
发表了文章 2024-10-30
基于图论的时间序列数据平稳性与连通性分析：利用图形、数学和 Python 揭示时间序列数据中的隐藏模式
本文探讨了如何利用图论分析时间序列数据的平稳性和连通性。通过将时间序列数据转换为图结构，计算片段间的相似性，并构建连通图，可以揭示数据中的隐藏模式。文章介绍了平稳性的概念，提出了基于图的平稳性度量，并展示了图分区在可视化平稳性中的应用。此外，还模拟了不同平稳性和非平稳性程度的信号，分析了图度量的变化，为时间序列数据分析提供了新视角。
-
发表了文章 2024-10-27
过采样与欠采样技术原理图解:基于二维数据的常见方法效果对比
本文介绍了处理不平衡数据集的过采样和欠采样技术，包括随机过采样、SMOTE、ADASYN、随机欠采样、Tomek Links、Near Miss 和 ENN 等方法。通过二维数据集的可视化示例，直观展示了各种方法的原理和效果差异。文章还讨论了混合采样方法（如SMOTETomek和SMOTEENN）以及应用这些方法的潜在风险，强调了在实际应用中审慎选择的重要性。
-
发表了文章 2024-10-26
LLM-Mixer: 融合多尺度时间序列分解与预训练模型,可以精准捕捉短期波动与长期趋势
近年来，大型语言模型（LLMs）在自然语言处理领域取得显著进展，研究人员开始探索将其应用于时间序列预测。Jin等人提出了LLM-Mixer框架，通过多尺度时间序列分解和预训练的LLMs，有效捕捉时间序列数据中的短期波动和长期趋势，提高了预测精度。实验结果显示，LLM-Mixer在多个基准数据集上优于现有方法，展示了其在时间序列预测任务中的巨大潜力。
-
发表了文章 2024-10-25
RAPTOR：多模型融合+层次结构 = 检索性能提升20%，结果还更稳健
本文探讨了通过多模型集成技术提升信息检索系统性能的方法，重点介绍了RAPTOR框架。RAPTOR通过构建层次化的信息组织结构和递归摘要技术，显著提高了检索系统的性能和适应性。研究建立在RAG Fusion技术基础上，旨在提供更全面的信息检索解决方案。
-
发表了文章 2024-10-24
梯度累积的隐藏陷阱：Transformer库中梯度累积机制的缺陷与修正
在本地微调大规模语言模型时，由于GPU显存限制，通常采用梯度累积技术来模拟大批次训练。然而，实际研究表明，梯度累积方法在主流深度学习框架中会导致模型性能显著下降，尤其是在多GPU环境中。本文详细探讨了梯度累积的基本原理、应用场景及存在的问题，并通过实验验证了修正方案的有效性。研究指出，该问题可能在过去多年中一直存在且未被发现，影响了模型的训练效果。
-
发表了文章 2024-10-23
TimeDART：基于扩散自回归Transformer 的自监督时间序列预测方法
近年来，深度神经网络成为时间序列预测的主流方法。自监督学习通过从未标记数据中学习，能够捕获时间序列的长期依赖和局部特征。TimeDART结合扩散模型和自回归建模，创新性地解决了时间序列预测中的关键挑战，在多个数据集上取得了最优性能，展示了强大的泛化能力。
-
发表了文章 2024-10-22
11种经典时间序列预测方法：理论、Python实现与应用
本文将总结11种经典的时间序列预测方法，并提供它们在Python中的实现示例。
-
发表了文章 2024-10-20
机器学习中空间和时间自相关的分析：从理论基础到实践应用
空间和时间自相关是数据分析中的重要概念，揭示了现象在空间和时间维度上的相互依赖关系。本文探讨了这些概念的理论基础，并通过野火风险预测的实际案例，展示了如何利用随机森林模型捕捉时空依赖性，提高预测准确性。
-
发表了文章 2024-10-19
特征工程在营销组合建模中的应用：基于因果推断的机器学习方法优化渠道效应估计
因果推断方法为特征工程提供了一个更深层次的框架，使我们能够区分真正的因果关系和简单的统计相关性。这种方法在需要理解干预效果的领域尤为重要，如经济学、医学和市场营销。
-
发表了文章 2024-10-17
基于OpenFOAM和Python的流场动态模态分解：从数据提取到POD-DMD分析
本文介绍了如何利用Python脚本结合动态模态分解（DMD）技术，分析从OpenFOAM模拟中提取的二维切片数据，以深入理解流体动力学现象。通过PyVista库处理VTK格式的模拟数据，进行POD和DMD分析，揭示流场中的主要能量结构及动态特征。此方法为研究复杂流动系统提供了有力工具。
-
发表了文章 2024-10-15
信息论、机器学习的核心概念：熵、KL散度、JS散度和Renyi散度的深度解析及应用
在信息论、机器学习和统计学领域中，KL散度（Kullback-Leibler散度）是量化概率分布差异的关键概念。本文深入探讨了KL散度及其相关概念，包括Jensen-Shannon散度和Renyi散度。KL散度用于衡量两个概率分布之间的差异，而Jensen-Shannon散度则提供了一种对称的度量方式。Renyi散度通过可调参数α，提供了更灵活的散度度量。这些概念不仅在理论研究中至关重要，在实际应用中也广泛用于数据压缩、变分自编码器、强化学习等领域。通过分析电子商务中的数据漂移实例，展示了这些散度指标在捕捉数据分布变化方面的独特优势，为企业提供了数据驱动的决策支持。
-
发表了文章
2025-01-31
Python GIL（全局解释器锁）机制对多线程性能影响的深度分析
-
发表了文章
2025-01-30
深入剖析SVM核心机制：铰链损失函数的原理与代码实现
-
发表了文章
2025-01-29
十大主流联邦学习框架：技术特性、架构分析与对比研究
-
发表了文章
2025-01-28
构建可靠的时间序列预测模型：数据泄露检测、前瞻性偏差消除与因果关系验证
-
发表了文章
2025-01-27
知识蒸馏技术原理详解：从软标签到模型压缩的实现机制
-
发表了文章
2025-01-26
Python高性能编程：五种核心优化技术的原理与Python代码
-
发表了文章
2025-01-25
面向长文本的多模型协作摘要架构：多LLM文本摘要方法
-
发表了文章
2025-01-24
Meta-CoT：通过元链式思考增强大型语言模型的推理能力
-
发表了文章
2025-01-23
记忆层增强的 Transformer 架构：通过可训练键值存储提升 LLM 性能的创新方法
-
发表了文章
2025-01-22
时间序列平稳性的双重假设检验：KPSS与ADF方法比较研究
-
发表了文章
2025-01-21
金融波动率的多模型建模研究：GARCH族与HAR模型的Python实现与对比分析
-
发表了文章
2025-01-20
时间序列分析中的状态估计：状态空间模型与卡尔曼滤波的隐状态估计
-
发表了文章
2025-01-18
提升数据科学工作流效率的10个Jupyter Notebook高级特性
-
发表了文章
2025-01-17
LossVal：一种集成于损失函数的高效数据价值评估方法
-
发表了文章
2025-01-16
Python时间序列分析：使用TSFresh进行自动化特征提取
-
发表了文章
2025-01-15
Coconut:基于连续潜在空间推理,提升大语言模型推理能力的新方法
-
发表了文章
2025-01-14
使用Python实现基于矩阵分解的长期事件(MFLEs)时间序列分析
-
发表了文章
2025-01-13
TorchOptimizer：基于贝叶斯优化的PyTorch Lightning超参数调优框架
-
发表了文章
2025-01-12
Python时间序列分析工具Aeon使用指南
-
发表了文章
2025-01-11
深度强化学习实战：训练DQN模型玩超级马里奥兄弟
