腾讯云
开发者社区
文档
建议反馈
控制台
首页
学习
活动
专区
工具
TVP
最新优惠活动
文章/答案/技术大牛
搜索
搜索
关闭
发布
登录/注册
首页
学习
活动
专区
工具
TVP
最新优惠活动
返回腾讯云官网
智能生信
专栏作者
举报
443
文章
309786
阅读量
72
订阅数
订阅专栏
申请加入专栏
全部文章
https
网络安全
神经网络
深度学习
机器学习
人工智能
github
编程算法
git
学习方法
数据结构
开源
NLP 服务
腾讯云测试服务
python
监督学习
graph
数据库
数据分析
论文
na
linux
sql
图像处理
data
network
腾讯云开发者社区
cell
强化学习
using
tcp/ip
image
prediction
scale
迁移学习
聚类算法
model
structure
css
html
ide
SSL 证书
http
卷积神经网络
nat
analysis
autoencoder
expression
self
go
网站
正则表达式
无监督学习
embedding
map
mask
time
view
其他
php
javascript
黑石物理服务器
访问管理
知识图谱
存储
分布式
spark
图像识别
推荐系统
特征工程
迁移
es
联邦学习
alignment
detection
field
formatting
implicit
methods
mnist
models
nlp
object
resolution
series
space
stl
token
对象存储
自动驾驶
数据挖掘
mac os
scala
r 语言
node.js
android
api
unix
apache
批量计算
文件存储
NAT 网关
腾讯移动分析
自动化
缓存
无人驾驶
面向对象编程
决策树
线性回归
pytorch
kernel
uml
大数据
数据处理
架构设计
processing
图像分析
汽车
action
aggregation
algorithm
alpha
amp
asm
atomic
auto
backbone
bioinformatics
com
concatenation
cut
dataset
decoding
distributed
dot
dynamic
entity
event
extract
feed
forecasting
free
function
gan
gaussian
geometry
global
gpu
hierarchy
instance
integration
interactive
ip
kaggle
live
local
localization
mapping
max
meta
nfs
optimization
pdb
performance
permutation
point
product
prompt
ps
rank
reference
relation
repeat
save
sequence
set
sh
similarity
sms
spatial
spi
state
super
task
tools
translation
vectorization
video
window
wrapper
编码
集群
解决方案
量化
内核
隐私
重构
搜索文章
搜索
搜索
关闭
Nucleic Acids Res.|华大智造联合复旦大学发布人类基因组轻量级语言模型,整合卷积层以碱基分辨率解释非编码区
NLP 服务
Integrating convolution and self-attention improves language model of human genome for interpreting non-coding regions at base-resolution
智能生信
2022-12-29
515
0
[Nature 2022 | 论文简读] 通往完全可编程的蛋白质催化的道路
The road to fully programmable protein catalysis
智能生信
2022-12-29
261
0
[Nature Machine Intelligence | 论文简读] 使用 Benisse 解释单细胞基因表达的B细胞受体库
cell
expression
na
using
Interpreting the B-cell receptor repertoire with single-cell gene expression using Benisse
智能生信
2022-12-29
334
0
[IEEE Trans Med Imaging | 论文简读] 用于全视野数字病理切片分类的多实例强化对比学习
面向对象编程
MuRCL: Multi-instance Reinforcement Contrastive Learning for Whole Slide Image Classification
智能生信
2022-12-29
448
0
[Genome Biology | 论文简读] metaMIC:从头宏基因组组装的无参考错误组装识别和校正
https
网络安全
metaMIC: reference-free misassembly identification and correction of de novo metagenomic assemblies
智能生信
2022-12-29
256
0
[CVPR | 论文简读] 深度密度的无约束人脸聚类算法
聚类算法
编程算法
Deep Density Clustering of Unconstrained Faces
智能生信
2022-12-29
387
0
[Nature Communications | 论文简读] 用于人工神经网络持续学习的大脑启发回放
神经网络
Brain-inspired replay for continual learning with artificial neural networks
智能生信
2022-12-29
342
0
Nature Machine Intelligence | 三种类型的增量学习
机器学习
深度学习
监督学习
人工智能
正则表达式
今天给大家带来一篇剑桥大学有关增量学习的文章。从非平稳的数据流中渐进地学习新信息,被称为“持续学习”,是自然智能的一个关键特征,但对深度神经网络来说是一个具有挑战性的问题。近年来,许多用于持续学习的深度学习方法被提出,但由于缺乏共同的框架,很难比较它们的性能。为了解决这个问题,我们描述了持续学习的三种基本类型或“场景”:任务增量式学习、领域增量式学习和类增量式学习。每一种情况都有自己的挑战。为了说明这一点,作者通过根据每个场景执行Split MNIST和Split CIFAR-100协议,对目前使用的持续学习策略进行了全面的实证比较。作者证明了这三种情况在难度和不同策略的有效性方面存在实质性差异。提出的分类旨在通过形成清晰定义基准问题的关键基础来构建持续学习领域。
智能生信
2022-12-29
5.8K
1
[Genome Biology | 论文简读] 以知识为基础的神经网络能够对单细胞测序数据进行生物学上可解释的深度学习
深度学习
神经网络
Knowledge-primed neural networks enable biologically interpretable deep learning on single-cell sequencing data
智能生信
2022-12-29
334
0
[arxiv | 论文简读] 深度K-Means:简单有效的数据聚类方法
数据挖掘
data
论文
Deep K-Means: A Simple and Effective Method for Data Clustering
智能生信
2022-12-29
883
0
[Nature Machine Intelligence | 论文简读] 分子表示的几何深度学习
深度学习
Geometric deep learning on molecular representations
智能生信
2022-12-29
322
0
[NeurIPS | 论文简读] 几何视角下 GNN 的拓扑知识表示与迁移
graph
论文
Topology Compression for Graph Neural Networks
智能生信
2022-12-29
199
0
[Nature Machine Intelligence | 论文简读]三种类型的增量学习
javascript
从非平稳的数据流中渐进地学习新信息,被称为“持续学习”,是自然智能的一个关键特征,但对深度神经网络来说是一个具有挑战性的问题。近年来,许多用于持续学习的深度学习方法被提出,但由于缺乏一个通用的框架,它们的性能比较困难。为了帮助解决这个问题,作者描述了持续学习的三种基本类型或“场景”:任务增量学习、域增量学习和类增量学习。每一种情况都有自己的挑战。为了说明这一点,作者根据每个场景使用split MNIST和split CIFAR-100数据集,对目前使用的持续学习策略进行了全面的实证比较。作者展示了三种场景在难度和不同策略的有效性方面的显著差异。提出的分类旨在通过形成清晰定义基准问题的关键基础,来构建持续学习领域。
智能生信
2022-12-29
506
0
[Nat. Biomed. Eng. | 论文简读] 用于分析有损耗和域偏移的医学图像数据集的自适应对抗神经网络
神经网络
Adaptive adversarial neural networks for the analysis of lossy and domain-shifted datasets of medical images
智能生信
2022-12-29
263
0
[arxiv | 论文简读] CLASSIC: 方面级情感分类任务的持续和对比学习
腾讯云测试服务
CLASSIC: Continual and Contrastive Learning of Aspect Sentiment Classification Tasks
智能生信
2022-12-29
210
0
[IEEE Trans Med Imaging | 论文简读] 用于COVID-19严重程度诊断和预测的结构注意图神经网络
数据结构
Structural Attention Graph Neural Network for Diagnosis and Prediction of COVID-19 Severity
智能生信
2022-12-29
283
0
[IJCAI | 论文简读] 基于Transformer的目标增强生成对抗网络生成所需分子
gan
network
Transformer-based Objective-reinforced Generative Adversarial Network to Generate Desired Molecules
智能生信
2022-12-29
559
0
Nature Machine Intelligence | 基于视网膜扫描和最少的个人信息来预测心肌梗死
Predicting myocardial infarction through retinal scans and minimal personal information
智能生信
2022-12-29
488
0
Patterns | 自监督图预训练模型整合大规模分子网络以探寻疾病相关基因的内在互作机制
embedding
graph
methods
network
self
Self-supervised graph representation learning integrates multiple molecular networks and decodes gene-disease relationships
智能生信
2022-12-29
365
0
[ICCV | 论文简读] 深度自适应图像聚类
image
mnist
stl
图像聚类是机器学习和计算机视觉中的一项关键但具有挑战性的任务。现有的方法往往忽略了特征学习和聚类之间的结合。为了解决这一问题,作者提出了深度自适应聚类(DAC),该方法将聚类问题重新定义为一个二分类框架,以判断图像对是否属于同一类别。在DAC中,相似度计算由深度卷积网络(ConvNet)的特征和图像的标签构建余弦距离。通过在DAC中引入一个约束条件,学习到的标签特征往往是可以更好应用在图像聚类。主要的挑战是图像聚类中真实标签是未知的。我们通过提出一个交替迭代自适应学习算法来解决这个问题。总之,图像是根据标签特征自动聚类的。实验结果表明,DAC在5个当前的数据集上取得了最好的结果,如在MNIST上达到97.75%,在CIFAR-10上达到52.18%,在STL-10上达到46.99%。
智能生信
2022-12-29
773
0
点击加载更多
社区活动
腾讯技术创作狂欢月
“码”上创作 21 天,分 10000 元奖品池!
立即发文
Python精品学习库
代码在线跑,知识轻松学
立即查看
博客搬家 | 分享价值百万资源包
自行/邀约他人一键搬运博客,速成社区影响力并领取好礼
立即体验
技术创作特训营·精选知识专栏
往期视频·千货材料·成员作品 最新动态
立即查看
领券
问题归档
专栏文章
快讯文章归档
关键词归档
开发者手册归档
开发者手册 Section 归档