2020年8月arXiv.org上AI机器学习深度学习的多领域应用综述 - 飞书文档
https://docs.feishu.cn/v/wiki/R2cLwlQvOiGQHDkMFGdchPC5nRd/a8例如，在监督学习算法中，对于数据的特征选择和提取方法有了新的思路。以往的方法可能在处理大规模数据时存在效率低下或者特征不明显的问题。新的研究提出了一种基于深度学习 ...
飞搜侠
热门搜索
谷歌Minerva项目的多领域影响综述 - 飞书文档
https://docs.feishu.cn/v/wiki/UCqHwkn64iUvUgkXGXrchq3wnxf/a9神经网络通过模拟人类大脑神经元的工作方式，能够对大量的数据进行学习和分析。Minerva或许利用了多层神经网络，不断地对输入的数据进行特征提取和模式识别，从而实现对各 ...
多模态大模型入门指南-长文慎入【持续更新】 - 飞书文档
https://docs.feishu.cn/article/wiki/DPjOwD19iiAcMYkryZicYJMWnTf输出projector 的任务是将其他模态的编码特征F_X与文本特征空间的特征T进行对齐。对齐后的特征作为prompts P_x联通文本特征F_T输入到LLM Backbone 内。给定X 模态-text数据 ...
深入解析LLM4Rec：推荐系统与大模型的融合与创新 - 飞书文档
https://docs.feishu.cn/v/wiki/DMqOwfhbIi2kUlkxu0RcVaYjn2F/a1候选打分：一种方式是user/item 特征过LLM 后再过一层网络得到最终score；另一种是直接将LLM 训练为输出最终score 的模型； · 候选生成：直接生成排序好的列表（非常考验LLM 的 ...
LLM参数高效微调综述和详解-从Adpter、PrefixTuning到LoRA
https://docs.feishu.cn/article/wiki/Bz2Lwx3LIiTt27kaNZbcxzORncgside network只用了预训练模型作为特征提取器，反向传播计算只在side network. ... 尽管提出了这么多方法，复杂的方法很少用，而实际使用的最多的可能就是LoRA，因为 ...
RAG基础的分类与增强方法综述 - 飞书文档
https://docs.feishu.cn/v/wiki/Oz2iwy1Tfij8hvkAlGWco2xrnId/a3高质量数据集的利用：大规模、高质量的数据集如Common Crawl、Wikipedia等为训练这些模型提供了丰富的语料，极大地提升了模型的性能。 尽管取得了成功，AIGC仍面临一些挑战，如 ...
综述：探索基于大型语言模型的智能体：定义、方法与前景 - 飞书文档
https://docs.feishu.cn/article/wiki/Ms10w3VufiBel3kXwDJcq2zxnue在当前的研究领域中，Kraus et al. [227] 利用基于LLM的智能体从ClimateWatch4中提取排放数据 ... CAAFE [279] 使用LLM生成和执行用于表格数据特征工程的代码。 AutoGen [83] ...
深度学习框架综述：从TensorFlow到PyTorch等的特点与应用
https://docs.feishu.cn/v/wiki/YdlNwoDrdiKEYwky9LMcIqVcnle/a1CNN是一种专门用于处理图像数据的神经网络，它通过卷积层、池化层和全连接层等结构来提取图像中的特征。深度学习框架提供了一系列的工具和算法，使得开发者能够更高效地构建 ...
Agent AI：多模态+智能体，跨模态交互综述Part 3 - 飞书文档
https://docs.feishu.cn/article/wiki/F1Kgw2WuIiuznJkyk7PcKHZznKg随着学术界和工业界生产出强大的基础模型工件，已经开发出了各种各样的方法来使用各种提示和数据配对技术从这些工件中提取和生成有意义的训练数据。
大型语言模型的检索增强生成：综述 - 飞书文档
https://docs.feishu.cn/article/wiki/XdHDwfxxWiOKyNkVyUUc5jvnnfc在信息提取阶段，给定输入文本S，可以生成输出序列C，代表从输入文档中提取的压缩上下文。 训练过程的目标是尽可能减少C 提取与实际上下文C truth 之间的差异。 他们采用的 ...