QM19900420的博客

翻译 UniTS: Building a Unified Time Series Model

UniTS： 建立统一时间序列模型

翻译 利用预训练 LM 进行强力一般时间序列分析（论文翻译）

阻碍用于时间序列分析的预训练模型开发的主要挑战是缺乏大量的训练数据。在这项工作中，我们利用从数十亿词条中预先训练的语言或 CV 模型来进行时间序列分析，从而解决了这一难题。具体来说，我们不改变预训练语言或图像模型中残差块的自注意层和前馈层。这个模型被称为 "冻结预训练转换器"（Frozen Pretrained Transformer，FPT），我们通过微调对涉及时间序列的所有主要任务类型进行了评估。

翻译 HybridAD：多变量时间序列的混合模型驱动异常检测方法（翻译）

近年来，异常检测在时间序列处理的研究和实践中日益受到重视。然而，多变量时间序列使观测值之间的时间依赖性变得复杂，并引入了复杂的信道间相关性，因此这项任务尤其具有挑战性。同时，为了适应更广泛的应用，训练和检测过程中的鲁棒性也是一个关键方面。在本文中，我们提出了一种无监督、混合模型驱动的异常检测方案，该方案能够：（1）将序列转换为时序依赖嵌入和信道间相关嵌入的融合表示；（2）使用时序预测网络进行样本后验估计，并结合数据重建网络评估预测来源，从而实现稳健的异常检测。在此基础上，我们开发了一种基于概率密度的异常评分

原创 typora设置自动分级标题

【代码】typora设置自动分级标题。

翻译 用于多变量时间序列异常检测的模糊状态驱动跨时间空间依赖性学习（论文翻译）

本文提出了一种**具有模糊嵌入的跨时间空间图网络**，以分离潜伏和混合的时态，并利用它来细致地学习跨时间空间依赖性。首先，考虑到时态是多样化的，而且它们的混合模式是未知的，我们**引入模糊状态集来统一表征潜在的时态，并自适应地生成相应的成员度来描述这些状态的混合方式。**此外，我们还提出了**跨时间空间图**，量化模糊状态之间的相似性并感知它们的动态演变，从而灵活地学习可变的跨时间空间依赖性。最后，我们设计了**状态多样性和时间邻近性约束**，以实现对模糊状态的学习。

原创 回文数--java

给你一个整数x，如果x是一个回文整数，返回true；否则，返回false。

原创 两数之和--C++

给定一个整数数组nums和一个整数目标值target，请你在该数组中找出和为目标值target 的那两个整数，并返回它们的数组下标。

原创 88. 合并两个有序数组

给你两个按非递减顺序排列的整数数组nums1和nums2，另有两个整数m和n，分别表示nums1和nums2中的元素数目。

转载 nvidia-smi输出解析

原创 解决：GnuTLS recv error (-110): The TLS connection was non-properly terminated.

fatal: 无法访问 'https://github.com/facebookresearch/fvcore/'：GnuTLS recv error (-110): The TLS connection was non-properly terminated.关闭梯子，再试一次就好了。

原创 Enhancing the Locality and Breaking the Memory Bottleneck of Transformer on Time Series Forecasting

增强时间序列预测的局部性并打破Transformer的内存瓶颈

原创 FC-GAGA: Fully Connected Gated Graph Architecture for Spatio-Temporal Traffic Forecasting（论文翻译）

我们提出了一种新的原理，将完全连接的最先进的单变量TS预测模型NBEATS（Oreshkin et al. 2020）与可学习的时间门和可学习的硬图门机制相结合。我们的经验表明，该模型可以有效地从数据中学习图形参数，并实现令人印象深刻的预测性能。我们表明，所提出的模型提供了计算优势，并减少了至少三个因素的训练时间相对于具有类似精度的模型。

原创 软考总结（自用）

资料来源于：1、日常积累2、B站：【2023软件设计师备考】软考中级 | 软件设计师考点理论精讲【零基础适用】K=2、M=2、G=2二进制，简写为B八进制l，简写为O十进制，简写为D十六进制，简写为H。

原创 Windows一些基础设置

开机自启动

原创 markdown操作

CSDN富文本编辑器markdown的一些语法设置

原创 Towards a Rigorous Evaluation of Time-series Anomaly Detection（论文翻译）

时间序列异常检测的严格评价

原创 Detecting Multivariate Time Series Anomalies with Zero Known Label（论文翻译）

零已知标记的多变量时间序列异常检测

原创 GAN.py

Detecting Multivariate Time Series Anomalies with Zero Known Label 零已知标记的多变量时间序列异常检测原代码 GAN.py逐行讲解

原创 Colab改变运行目录的方法

【代码】Colab改变运行目录的方法。

原创 CUDA相关命令

查看已有的环境 ： conda info --envs conda env list 新建环境，并指定该环境的python版本 conda create --name hpl_test python=3.8 激活环境：conda activate 退出环境：conda deactivate 查看python 版本：python -V

原创 寻找多数C++

【代码】寻找多数C++

原创 最大二叉树

【代码】最大二叉树。

原创 电脑白屏处理方法

电脑白屏处理方法

原创 关闭和开启笔记本自带键盘。

关闭和开启笔记本自带键盘。

原创 手动下载nltk库

自然语言处理，python数据库，手动下载nltk库

原创 真小白，零基础Transformer代码解析

Transformer is the first transduction model relying entirely on self-attention to compute representations of its input and output without using sequence aligned RNNs or convolution。

翻译 BERT-用于语言理解的深度双向变压器的预训练

介绍了一种新的语言模型表示BERT，它代表transformer的双向编码器表示。与最近的表示模型不同（Peters等人，2018；Radford等人，2018），**BERT被用来设计成通过所有层中联合调节左右上下文来预训练来自未标记文本的深层双向表示。**因此，**只需一个额外的输出层，就可以对预训练的BERT模型进行微调**，从而为各种任务（如问题回归和语言推理）创建最先进的模型，而**无需对特定任务的体系结构进行大量修改**。

转载 ＜转载＞一文读懂BERT（原理篇）

转载：一文读懂BERT(原理篇)

翻译 用于情感识别的多模态端到端稀疏模型（Multimodal End-to-End Sparse Model for Emotion Recognition）

现有的关于多模态情感计算任务 (例如情感识别) 的工作通常采用两阶段流水线，首先使用手工算法为每个单一模态提取特征表示，然后使用提取的特征进行端到端学习。（缺点）但是，提取的特征是固定的，不能在不同的目标任务上进一步微调，手动寻找特征提取算法不能很好地推广或扩展到不同的任务，这会导致性能次优。在本文中，我们开发了一个完全的端到端模型，该模型将两个阶段连接起来并共同优化它们。此外，我们重组了当前的数据集，以实现完全的端到端培训。此外，为了减少端到端模型带来的计算开销，我们引入了用于特征提取的稀疏交叉模态注意机

翻译 Sentiment Word Aware Multimodal Refinement for MultimodalSentiment Analysis with ASR Errors

多模态情绪分析引起了越来越多的关注，并提出了许多模型。但是，当在现实世界中部署最先进的模型时，它们的性能会急剧下降。我们发现，主要原因是实际应用程序只能访问自动语音识别 (ASR) 模型的文本输出，由于模型容量的限制，这可能会出现错误。通过对ASR输出的进一步分析，我们发现在某些情况下，情感词 (文本情态中的关键情感元素) 被识别为其他词，这使得文本的情感发生变化，并直接损害了多模态情感模型的性能。为了解决这个问题，我们提出了情感词感知多模态细化模型 (SWRM)，该模型可以通过利用多模态情感线索来动态细化

翻译 Swin Transformer: Hierarchical Vision Transformer using Shifted Windows(论文翻译)

本文介绍了一种新的vision Transformer，称为Swin Transformer，它可以用作计算机视觉的通用主干。(研究动机，用transformer没问题，完全没问题，可以在方方面面上取代卷积神经网络)从语言到视觉的转换的挑战来自两个领域之间的差异，例如视觉实体的规模变化很大（尺度问题，例如一张图片里面，代表行人和汽车的形状大大小小难以估计），并且图像中的像素与文本中的单词相比具有高分辨率。为了解决这些差异，我们提出了一种hierarchical Transformer，其表示是通过移位窗口来

原创 机器学习笔记

从广义上来说，机器学习是一种能够赋予机器学习的能力以此让它完成直接编程无法完成的功能的方法。但从实践的意义上来说，机器学习是一种通过利用数据，训练出模型，然后使用模型预测的一种方法。

原创 数学之美 第六章——信息的度量和作用

数学之美 第六章——信息的度量和作用

原创 考研复试问题集锦——数据库

数据库管理系统的主要功能是什么？数据定义、数据操纵、数据库的运行管理、数据库建立和维护数据库系统的特点是什么？数据结构化；数据共享性高、冗余度低且扩充；数据独立性高；数据由DBMS统一管理（数据库管理系统）。...

原创 考研复试408问题集锦——计算机组成原理

目录中央处理器CPUCPUCPU由什么组成？CPU的功能有哪些？微程序控制器流水线作用/功能：提高计算机的运行速度为了有利于实现指令流水线，指令集应具有以下特征：影响流水线的因素：流水线的性能指标总线为什么要引入总线？总线的分类总线的性能指标总线仲裁集中式仲裁请求：分布式仲裁请求：总线的定时同步定时异步定时中央处理器CPUCPUCPU由什么组成？主要有运算器和控制器组成。运算器：对数据进行加工控制

原创 考研复试408问题集锦——计算机网络

物理层1、三种信道单工半双工全双工2、传输方式电路交换报文交换分组交换数据报虚电路数据链路层1、数据链路层的功能？2、差错控制3、可靠传输4、流量控制5、介质访问信道划分随机访问轮询访问网络层1、路由器的主要功能？路由选择：按照算法，根据从各个相邻路由器所得的整个网络拓扑的变化，动态地改变所选择的路由。分组转发：路由器根据转发表将用户的IP数据从合适的端口转发出去。2、网络层都有哪些协议？RIP--路由信息协

原创 考研复试408问题集锦——操作系统

目录进程进程的5种状态进程和线程的区别进程和程序的区别进程的调度算法死锁&饥饿产生死锁的原因产生死锁的必要条件处理死锁的方法进程的同步和互斥同步机制的四个准则银行家算法内存管理存储器的功能内存的分配和管理地址变换：逻辑地址转变为物理地址扩充内存存储保护执行过程编译链接装入进程进程的5种状态创建态 就绪态 阻塞态 运行态 终止态进程和线程的区别调度 并发性 崩溃现象 地址.

原创 考研复试408—数据结构篇

树和二叉树●基本概念●二叉树分类●二叉排序树●左子树结点值<根结点值<右子树结点值默认不允许两个结点的关键字相同●查找操作●从根节点开始，目标值更小往左找，目标值更大往右找●插入操作●找到应该插入的位置(一-定是叶子结点)，一定要注意修改其父节点指针●删除操作●1、被删结点为叶子，直接删除●2、被删结点只有左或只有右子树,用其子树顶替其位置●3、被删结点有左、右子树●可用其后继结点顶替，再删除后继结点●或用其前驱结点顶替，再删除前驱结点●前

原创 考研复试408—计算机组成原理篇

早期冯诺依曼机———数据线<----→ 控制线和反馈线

原创 考研复试408—操作系统篇

死锁、饥饿、死循环的区别死锁:各进程互相等待对方手里的资源，导致各进程都阻塞，无法向前推进的现象。饥饿:由于长期得不到想要的资源，某进程无法向前推进的现象。比如:在短进程优先(SPF) 算法 中，若有源源不断的短进程到来，则长进程将一- 直得不到处理机，从而发生长进程“饥饿”。死循环:某进程执行过程中- -直跳不出某个循环的现象。有时是因为程序逻辑bug导致的，有时是程序员故意设计的。...