Inverse Probability of Censoring Weighting (IPCW) estimation of Cumulative/Dynamic time-dependent ROC curve。
分享一篇新出的 CVPR 2021 轻量级网络论文 Lite-HRNet: A Lightweight High-Resolution Network ，大名鼎鼎的HRNet的升级版。
Traverse Network Adjustment Weighting on CRITIC and Variation
版权声明：本文为博主原创文章，转载请注明出处。 https://blog.csdn.net/u012436149/article/details/79340334
配置路径：SPRO>MM>Purchasing >Vendor Evaluation> Define Weighting Keys.
生存资料的ROC曲线绘制，最常见的那肯定是timeROC和survivalROC了，这两个包非常像，我比较喜欢用timeROC。
在上一期推送中，我和大家详解介绍了“MendelianRandomization”包的输入文件以及其IVW方法，在这一期的推送中，我会和大家简单介绍一下这个包的median-based方法，希望能把它作为对IVW方法的补充。
携程旅游研发部大数据与AI研发团队，为旅游事业部提供丰富的AI技术产品和技术能力。
在日常产品迭代过程中，我们常常需要去验证某个功能、策略的改动是否符合预期，是否可以完全替代现有的方案。小流量实验往往是最常用、最直接验证因果的方式。然而有些时候，由于忘记开展实验、实验成本较高等因素，没有对策略进行AB实验，但又希望评估策略效果，这个时候，则可以通过其他因果推断方式进行佐证。
本文主要由以下四部分组成：文本基本处理，文本语义分析，图片语义分析，语义分析小结。先讲述文本处理的基本方法，这构成了语义分析的基础。接着分文本和图片两节讲述各自语义分析的一些方法，值得注意的是，虽说分为两节，但文本和图片在语义分析方法上有很多共通与关联。最后我们简单介绍下语义分析在广点通“用户广告匹配”上的应用，并展望一下未来的语义分析方法
近年来，基于深度学习的方法在长尾分布(类别不平衡)数据上取得了极大进展。除了这些复杂的方法外，训练过程中的那些简单“技巧”(比如数据分布、损失函数的调整)同样起着不小的贡献。然而，不同的“技巧”之间可能存在“冲突”。如果采用了不合理的“技巧”进行长尾相关的任务，这就很可能导致较差的识别精度。不幸的是，关于这些“技巧”并无科学系统的手册供参考。
最近因为AutoAssign这篇paper的原因，再加上之前对目标检测中label assign问题很感兴趣， 看了几篇label assign相关论文（FreeAnchor、ATSS、AutoAssign），梳理一下几篇论文的关系做个记录。我用一张图大致梳理出几个label assign相关论文的关系：
版权声明：本文为博主原创文章，转载请注明出处。 https://blog.csdn.net/u012436149/article/details/53420451
五一劳动节，连续五天，在钉钉群直播互动授课带领大家系统性掌握cytoscape软件的使用方法和技巧，课程已经结束啦。文末有录播回放学习方式，以及配套授课资料！
论文:A Dual Weighting Label Assignment Scheme for Object Detection
MCODE,Molecular COmplex Detection 发现PPI网络中紧密联系的regeions，这些区域可能代表分子复合体。 根据给定的参数，分离dense regions，这相对其他cluster方法有其优点，因为其他的方法很少考虑网络的其余部分。总之MCODE可以发现PPI网络中相互作用的Dense region。这主要基于connection data，其中很多已经被证实是complex。这个函数不会被因高通量技术带来高假阳性影响。分子复合体预测很重要，因为这可以提供功能注释的另一个水平。因为sub-units of a molecular complex通常情况下，功能代表同一个生物目标分子，对一个未知pro的预测（作为复合体一部分），对这个pro的注释也增加了可信度。 MCODE也可以对感兴趣的dense区域进行提取并可视化，这点很重要，因为现有的工具比如spring不能对大的网络进行操作（spring不能大于2000个nodes）。
长尾目标检测是一项具有挑战性的任务，近年来越来越受到关注。在长尾场景中，数据通常带有一个Zipfian分布(例如LVIS)，其中有几个头类包含大量的实例，并主导了训练过程。相比之下，大量的尾类缺乏实例，因此表现不佳。长尾目标检测的常用解决方案是数据重采样、解耦训练和损失重加权。尽管在缓解长尾不平衡问题方面取得了成功，但几乎所有的长尾物体检测器都是基于R-CNN推广的两阶段方法开发的。在实践中，一阶段检测器比两阶段检测器更适合于现实场景，因为它们计算效率高且易于部署。然而，在这方面还没有相关的工作。
可以通过pROC包实现的，使用其中roc.test()函数可实现两个ROC 的Delong检验。
Facebook公司开源的深度学习框架PyTorch越来越火，PyTorch易于上手。本文节选github中PyTorch的常用实用代码片段，供大家学习参考。
今天我们推送一篇关于人脸识别的文献，目前被CVPR2020录为最佳人脸识别框架之一。这次“计算机视觉研究院”简洁给大家分析，后续我们会分享具体代码实现功能，有兴趣的同学请持续关注！
#使用scipy模块 求定积分 from numpy import e,pi,inf,sqrt, sin, cos, tan,arctan from scipy.integrate import quad, dblquad, tplquad, nquad # 一重积分 def f(x): return x*x v, err = quad(f,-1,1) #第二个参数为积分下限，第三个参数为积分上限 # quad 返回一个元组，第一个元素为定积分的值，第二个为偏差 print(v,err) #积分上
Exponentially weighted moving average（指数加权移动平均）
2013年发表在TIP上的对比度增强算法AGCWD（Efficient contrast enhancement using adaptive gamma correction with weighting distribution）
This collection is no longer being updated. See IMERG monthly
推荐的定义 推荐算法可以分为三大类，基于用户的，基于物品的和基于内容的，前两者均属于协同过滤的范畴，仅仅通过用户与物品之间的关系进行推荐，无需了解物品自身的属性。而几乎内容的推荐技术很有用，但是必须与特定领域相结合，比如推荐一本书就必须了解书的属性，作者，颜色，内容等等。但是这些知识无法转移到其他领域，比如基于内容的图书推荐就对推荐哪道菜比较好吃毫无用处。 所有mahout对基于内容的推荐涉及很少。 基于用户的推荐 算法 基于用户的推荐算法来源与对相似用户爱好的总结，一般过程如下： for (用户u尚未
语义分析，本文指运用各种机器学习方法，挖掘与学习文本、图片等的深层次概念。 1 文本基本处理 在讲文本语义分析之前，我们先说下文本基本处理，因为它构成了语义分析的基础。而文本处理有很多方面，考虑到本文主题，这里只介绍中文分词以及Term Weighting。 1.1 中文分词 拿到一段文本后，通常情况下，首先要做分词。分词的方法一般有如下几种： 基于字符串匹配的分词方法。此方法按照不同的扫描方式，逐个查找词库进行分词。根据扫描方式可细分为：正向最大匹配，反向最大匹配，双向最大匹配，最小切分(即最短路径)；总
导读：本文转载自 DataFun 社区，分享题目为《如何在因果推断中更好地利用数据？》，主要介绍团队近期在因果上已发表论文的相关工作。本报告从两个方面来介绍我们如何利用更多的数据来做好因果推断，一个是利用历史对照数据来显式缓解混淆偏差，另一个是多源数据融合下的因果推断。
前段时间，主要对ORB-SLAM2中字典的训练与使用进行了些研究，关于字典的训练之前也写过一篇文章：VSLAM|回环检测之词袋字典如何生成？，简单讲解了如何使用我们自己的数据集进行训练字典，ORB-SLAM作者提供的是字典层数为6层，当然我们也可以训练更低层数的字典，以减小程序所占内存。
论文地址：https://arxiv.org/pdf/2006.06568.pdf
不知道大家是否记得，前面的文章给大家介绍过一种用于降低混杂的实用方法——倾向性评分法（Propensity Score Method，PSM）。倾向性评分（PS）的定义在这里就不赘述了，有兴趣或者想重温一下的朋友可以阅读一下我们之前发的文章。倾向性评分只是一个用于综合需要调整变量的分数，而综合完之后我们要用传统的方法去调整倾向性评分，常用的方法有4种，匹配、加权、调整以及分层。那么重点来了，相信很多朋友在阅读完之前的文章都会有一个同样的问题——谁是4个方法中的大哥？
【实例简介】地理加权回归(GWR)matlab代码，亲测可用，该代码利用matlab实现了地理加权回归的代码，内附实际算例。
The AHN DEM is a 0.5m DEM covering the Netherlands. It was generated from LIDAR data taken in the spring between 2007 and 2012.
AI科技评论按，本文作者王喆，本文首发于知乎专栏王喆的机器学习笔记，雷锋网 AI 科技评论获得作者授权转载。
psnr是“Peak Signal to Noise Ratio”的缩写，即峰值信噪比，是一种评价图像的客观标准。 为了衡量经过处理后的影像品质，我们通常会参考 PSNR值来衡量某个处理程序能否令人满意。PSNR的单位是dB，数值越大表示失真越小。n为每像素的比特数，一般的灰度图像取8，即像素灰阶数为256。它是原图像与被处理图像之间的均方误差相对于 (2n-1)2的对数值(信号最大值的平方，n是每个采样值的比特数)，所以PSNR值越大，就代表失真越少。 MATLAB用法的公式如下：
应用定性数据分析包RQDA(Qualitative Data Analysis)和文挖掘框架包tm结合进行文本挖掘。 在对访谈内容或剧本、小说部分内容进行文本挖掘时，如果用不断的剪粘保存的方法非常繁琐而且容易漏掉一些内容。好在黄荣贵开发的RQDA包可以进行文档管理和内容编码及提取，大大方便了利用tm包进行文本挖掘，既提高了效率又提高了准确性，下面举一个小例子： 1、安装RQDA包、tm包和中文分词软件（分词软件见下面链接）； http://www.pinggu.org/bbs/thread-853290-1
GOseq是一个R包，用于寻找GO terms，即基因富集分析。此方法基于 Wallenius non-central hyper-geometric distribution。相对于普通的超几何分布(Hyper-geometric distribution)，此分布的特点是从某个类别中抽取个体的概率与从某个类别之外抽取一个个体的概率是不同的，这种概率的不同是通过对基因长度的偏好性进行估计得到的，从而能更为准确地计算出 GO term 被差异基因富集的概率。
betaX是来自每个SNP的暴露因素的回归分析的β系数，betaXse是标准误。😘
这个系列文章： 因果推断笔记——python 倾向性匹配PSM实现示例（三） 因果推断笔记——DML ：Double Machine Learning案例学习（十六）
长尾分布数据集是目前训练模型的一个很大的挑战，模型在这类数据集上通常会在 head-classes (即数量较多的类别）上overfitting，而在tail-classes（即数量较少的类别）上under-fitting。解决imbalanced的问题常用的方法有：1）re-sampling dataset；2）re-weighting loss function; 3）把head-classes的特征迁移给tail-classes等。
因果推断笔记—— 相关理论：Rubin Potential、Pearl、倾向性得分、与机器学习异同（二） 因果推断笔记——因果图建模之微软开源的dowhy（一）
在做一个课程作业, 看了一些 Word Embeddings 相关的论文和博客. 以下内容基本上是看博客的时候摘译的, 写得很好, 恨不得全翻了. 论文笔记反正已经欠了一屁股了:( Bengio 2003 年的文章发明了 word embeddings 一词, 此时 word embedding 和模型参数一起训练 Collobert 2008 年的文章 (A unified architecture for natural language processing) 第一次将 word embeddings
在Meta-learning核心思想及近年顶会3个优化方向一文中，我们从meta-learning的基础思想出发，并介绍了MAML经典模型，以及在此基础上最近3年学术界对meta-learning算法本身的不同角度优化。Meta-learning可以理解为是一个工具，它可以应用于很多不同的场景中，利用meta-learning两层优化目标的思路解决特定场景下的问题。本文梳理了业内近几年利用meta-learning解决不同场景问题的顶会论文，涉及meta-learning在域自适应、迁移学习、图学习、正负样本不均衡、知识蒸馏等多个场景的应用，帮助大家更深入的理解meta-learning的本质思想，以及如何在不同问题中应用meta-learning这个工具。
The Tropical Rainfall Measuring Mission (TRMM) is a joint mission between NASA and the Japan Aerospace Exploration Agency (JAXA) designed to monitor and study tropical rainfall. The 34B2 product contains a gridded, TRMM-adjusted, merged infrared precipitation (mm/hr) and RMS precipitation-error estimate, with a 3-hour temporal resolution and a 0.25 degree spatial resolution.
我一直在寻找有效关键字提取任务算法。目标是找到一种算法，能够以有效的方式提取关键字，并且能够平衡提取质量和执行时间，因为我的数据语料库迅速增加已经达到了数百万行。我对于算法一个主要的要求是提取关键字本身总是要有意义的，即使脱离了上下文的语境也能够表达一定的含义。
CVPR2022论文和代码整理：https://github.com/DWCTOD/CVPR2022-Papers-with-Code-Demo
原文链接：https://zhuanlan.zhihu.com/p/389388258
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
实时音视频
即时通信 IM
对象存储
