- 博客(12)
- 收藏
- 关注
RSS订阅原创 【数学分析】第二篇：连续函数
靠近”不是一句口语，而是εεδ\deltaδ；“没有跳跃”不是图像感觉，而是极限等于函数值；“一直夹在中间”不是视觉印象，而是夹逼定理。这一章里很多证明都不算复杂，但特别锻炼分析的基本功。已知条件是什么；要证明的目标是什么；该从定义出发，还是从已有定理出发；哪一步是局部分析，哪一步是整体结论。设函数fff在点x0x_0x0的某个去心邻域内有定义。若存在实数lll，使得对任意ε0ε0，都存在δ0\delta>0δ0，当0∣x−x0。
2026-03-14 15:11:37
352
原创 《MPMLS》 2026.3.12
论文贡献不要把“约束处理”“多样性维持”“代理建模”当成三个彼此独立的补丁，而要把它们设计成同一个分解框架里的协同机制。MPMLS 通过多罚系数、多子区域、多局部代理三个部件互相配合，把“如何找可行解”“如何避免早熟”“如何省下建模成本”这三个经典矛盾，放进了一套统一方案里。个人思考：这篇文章给我最大的启发，是它对“不可行解”的态度很成熟。很多约束优化方法天然把不可行解当作应尽快淘汰的对象，但这篇论文提醒我们：在边界最优、狭窄可行域、复杂多峰这类问题上，不可行解未必是坏东西，关键在于它是否“有信息量”
2026-03-12 22:20:41
529
原创 《RFMOPSO》 2026.3.11
这篇论文面向“评估代价高、变量离散、还带约束”的多目标组合优化问题，提出了一个随机森林（Random Forest, RF）辅助的多目标粒子群优化（Multi-Objective Particle Swarm Optimization, MOPSO）算法 RFMOPSO；
2026-03-11 22:26:02
500
原创 《LDA-1B》 2026.3.10
本文提出了一个 16 亿参数的机器人基础模型 LDA-1B，它通过“通用具身数据摄取（Universal Embodied Data Ingestion）”统一利用高质量动作数据、低质量动作数据与无动作人类视频，并在结构化的 DINO 潜在空间（DINO Latent Space）中联合学习策略、动力学与视觉预测，从而在接触丰富（Contact-rich）、灵巧操作（Dexterous）与长时程（Long-horizon）任务上显著优于已有强基线。论文贡献。
2026-03-10 17:28:30
641
原创 【机器学习算法学习笔记】模型评估与选择
在机器学习（Machine Learning）的叙事中，模型往往占据舞台中央：线性模型（Linear Model）以其朴素著称，支持向量机（Support Vector Machine, SVM）以其几何结构见长，集成学习（Ensemble Learning）以其性能强势闻名，深度神经网络（Deep Neural Network）则以表达能力震撼人心。初学者很容易把“如何构造模型”当作整门学科的核心，仿佛只要模型足够复杂、优化足够充分、算力足够庞大，问题就已经接近解决。
2026-03-09 22:23:38
2644
原创 多模态大语言模型 《Retrv-R1》2026.3.9
DIM 机制最核心的价值，不是在论文公式里，而是在这种具体案例里才能看出来。下面这个例子就很好地展示了：模型可以先依赖压缩表示进行大体筛选，再只对真正模棱两可的候选展开完整细查。图6：检索定性案例。模型先利用压缩信息排除显然无关项，再对难以区分的候选执行细节检查，从而区分“主题相关”与“真正回答查询”的差别。这类案例很能说明 Retrv-R1 的设计哲学：不是让模型“看得更多”，而是让它“看得更值”。现实里的检索难点，常常不是候选完全无关，而是“都沾边，但只有一个真正对题”。
2026-03-09 16:12:45
639
原创 【数学分析】第 1 篇：实数理论与数列极限——从“趋近”到完备性 2026.3.8
如果说微积分讨论的是“变化”，那么数学分析真正首先要解决的，却不是变化本身，而是无穷过程是否可靠。我们在初等数学中早就习惯说“越来越接近”“无限逼近”“最后就到了”，可是在严格数学里，这些说法都不够。因为“接近”不是一个情绪词，它必须变成一个可以检验、可以证明、可以反复调用的逻辑结构。 于是，数列极限成为数学分析第一批必须建立的概念。它看起来是在研究形如 {an}\{a_n\}{an} 的简单对象，实际上却在触及一个远比“数列”更深的核心：实数系为什么足够好，为什么在 R\mathbb{R}R 中
2026-03-08 21:08:37
717
原创 abm-llms《AgentSociety》 2026.3.8
提出了一个真正意义上的“大规模社会模拟器”不是只做若干会对话的智能体，而是让智能体、环境和执行引擎协同工作，形成一个可生活、可互动、可研究的人工社会。把“像人”与“像社会”连接起来过去很多工作只能二选一：要么个体逼真、规模很小；要么系统很大、个体很假。AgentSociety 试图把这两件事同时往前推。把社会科学方法嵌进了 AI 系统它不仅能跑模拟，还支持问卷、访谈和干预，这意味着它不只是一个工程系统，更是在向“社会科学实验平台”靠近。
2026-03-08 14:59:22
622
原创 机器学习算法学习笔记：绪论 / 引言 2026.3.7
如果不满足于“让机器自己学习”这种口语化说法，那么机器学习可以更严格地表述为：让计算机系统利用经验数据，在特定任务上自动改进其性能。经验（Experience）：通常体现为数据任务（Task）：系统需要完成的目标性能（Performance）：衡量做得好不好的标准如果没有数据，就谈不上“从经验中学习”；如果没有任务，就谈不上“学什么”；如果没有性能标准，就谈不上“是否进步”。所以机器学习从来不是一句模糊的“机器变聪明了”，而是一个非常具体的问题：系统能否借助已有经验，在某类任务上越来越好。
2026-03-07 23:31:22
677
原创 abm-llms《Smart Agent-Based Modeling》 2026.3.7
数据集本文不是标准 benchmark 论文，没有统一公共数据集。更多依赖既有 ABM 文献设定、问卷实验结果与案例任务构造。基线模型传统 ABM 设定；GPT-3.5 与 GPT-4 的对比。主要结论定量结果GPT-4 在数字猜测任务中明显优于 GPT-3.5；疏散案例中，不同 persona 会形成稳定的效率差异；认罪协商案例中，GPT-4 经校准后在若干趋势上接近人类实验结果。定性分析SABM 擅长建模自然语言驱动的行为；能把常识、主观判断和交互过程更自然地纳入模拟。
2026-03-07 15:45:53
696
原创 abm-llms《FLOCKVOTE》 2026.3.6
论文贡献本文最重要的贡献不只是提出了一个“可以预测”的选举模拟框架，更提出了一个可解释、可分析、可审计的 LLM 社会模拟实验平台。它证明 LLM 代理在宏观上可以较好复现复杂社会现象，但也明确揭示了这些代理作为社会科学工具时存在的根本问题：偏差、不稳定以及对提示和格式高度敏感。个人思考LLM-based social simulation 的真正价值，可能不在于替代民调，而在于成为一个可控的“假设实验平台”。研究者可以改变人口结构、政策描述、提示形式，观察结果如何变化，从而研究社会行为模型的敏感性。
2026-03-06 23:32:37
552
原创 abm-llms《PhysicsAgentABM》 2026.3.4
以簇级推断替代逐个体推断，结合符号/神经两条通路并进行不确定性融合，最后个体随机实现，实现可扩展且更校准的时间步状态转移模拟。ANCHOR：用LLM来做“抽象控制”的跨情境行为聚类，使聚类更贴合转移动态且显著降本。
2026-03-04 21:54:31
543
正大杯市调国一：旧馆重“装”焕异彩，宾“临”万象续华章
2026-03-10
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人