- 博客(13)
- 收藏
- 关注
RSS订阅原创 百度地图大模型应用开发实习一面（凉经）
ps:没有手撕代码，可能因为我实在说的太烂了 （关于LangGraph的内容完全记不起来，大概率G了）14.场景题：给你小部分的用户地址信息 怎么用这小部分的信息用于大模型蒸馏出小模型。会参与多agent的开发,面向用户/内部的agent开发。15.反问：如果我通过面试，具体会参与项目的哪一部。5.介绍一下你是怎么使用LangGraph的。9.LangGraph的多轮对话怎么做。3.简单介绍一下你的项目怎么实现的。6.介绍一下RAG的部分。4.项目的具体面向对象。12.有具体的实践过吗。
2025-11-04 19:27:16
465
原创 SFDA的一些主流方法
是一种领域适应技术，旨在解决源领域数据不可用的情况下，如何有效地将模型从源领域迁移到目标领域的问题。SFDA目前有一些主流方法以及一些不常见但效果较好的方法。下面我将详细介绍这些方法的原理、公式及简单的示例。
2025-06-23 14:11:26
791
原创 带读论文-2025ICLR-ENHANCING FEDERATED DOMAIN ADAPTATION WITH MULTI-DOMAIN PROTOTYPE-BASED FEDERATED FIN
带读论文-2025ICLR-ENHANCING FEDERATED DOMAIN ADAPTATION WITH MULTI-DOMAIN PROTOTYPE-BASED FEDERATED FIN
2025-06-12 21:22:00
976
原创 论文带读-ICLR2025-AUTO-GDA
论文带读-ICLR2025-AUTO-GDA: Automatic Domain Adaptation for Grounding Verification in Retrieval-Augmented Generation
2025-06-11 10:56:15
1066
原创 论文带读-ICLR2025-DENOISING AS ADAPTATION: NOISE-SPACE DOMAIN ADAPTATION FOR IMAGE RESTORATION
论文带读-ICLR2025-DENOISING AS ADAPTATION: NOISE-SPACE DOMAIN ADAPTATION FOR IMAGE RESTORATION
2025-06-10 16:01:40
840
原创 带读论文-ICLR2025-ON THE BENEFITS OF ATTRIBUTE-DRIVEN GRAPH DOMAIN ADAPTATION
带读论文-ICLR2025-ON THE BENEFITS OF ATTRIBUTE-DRIVEN GRAPH DOMAIN ADAPTATION
2025-06-09 21:10:53
753
原创 论文带读-ICLR2025-SPDIM: SOURCE-FREE UNSUPERVISED CONDI- TIONAL AND LABEL SHIFT ADAPTATION IN EEG
可以理解为：原本数据被“对齐错了”，我们加入一个“微调”偏置。不同），那么这些方法会对齐错了，导致模型性能下降。后面的标签项没有被消除，反而加重了“误对齐”的问题。的前提下完成适应（SFUDA）。提出了一种几何深度学习方法，，让数据重新对齐回合适的位置。之前的 SPD 对齐方法如。
2025-06-07 22:08:37
690
原创 判断什么情况下该用哈希表
快速查找某个元素是否存在统计每个元素出现的次数建立某种一对一或一对多的映射关系实现快速去重、匹配、归类等操作时间复杂度一般是 O(1) 查找/插入，非常高效。
2025-06-06 15:46:43
2092
原创 ICLR2025- PROXY DENOISING FOR SOURCE-FREE DOMAIN ADAPTATION
精度论文-ICLR2025- PROXY DENOISING FOR SOURCE-FREE DOMAIN ADAPTATION
2025-06-06 15:00:21
766
原创 ICLR2025-REVISITING SOURCE-FREE DOMAIN ADAPTATION: A NEW PERSPECTIVE VIA UNCERTAINTY CONTROL -每日论文
论文精读：《Revisiting Source-Free Domain Adaptation: A New Perspective via Uncertainty Control》-ICLR2025
2025-06-05 14:50:48
1295
原创 一篇文章理解Source-Free Domain Adaptation（SFDA）
本文系统介绍了迁移学习技术路径的演进过程。从基础迁移学习（解决跨领域知识迁移问题）到领域自适应（处理数据分布差异），再到无监督领域自适应（目标域无标签场景），最终聚焦源缺失领域自适应（SFDA）。
2025-06-05 12:21:57
2804
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人