山科智能信息处理实验室-CSDN博客

转载交通数据集整理

数据是从2016年2月到2019年3月使用几个数据提供程序收集的，包括两个提供流交通事件数据的API，由各种实体捕获的交通事件，例如美国和州交通运输部门，执法机构，交通摄像头和道路网络中的交通传感器。由德国亚琛工业大学汽车工程研究所发布的HighD数据集，是德国高速公路的大型自然车辆轨迹数据，搜集自德国科隆附近的六个不同地点，位置因车道数量和速度限制而异，记录的数据中包括轿车和卡车。芝加哥市Divvy共享自行车2013至今的骑行使用数据，包括使用者性别、年龄、每次旅行的起点，目的地和时间戳。

2025-05-13 12:27:16 26

转载 All-in-One图像恢复综述：分类、测评和未来趋势

图像恢复（Image Restoration）是指在提升图像视觉质量的过程中，去除噪声、模糊和天气影响等退化现象。传统的图像恢复方法通常针对特定类型的退化，这限制了它们在复杂现实场景中的有效性。为应对这一挑战，一体化图像恢复（All-in-One Image Restoration, AiOIR）应运而生，提供了一个统一框架，能够处理多种退化类型。这些模型通过自适应学习特定于退化的特征，同时利用不同退化之间的共享知识，增强了其便捷性和通用性。

2025-04-27 22:21:40 92

转载从像素到像素：一种全新的零样本图像去噪方法

论文地址:近年来，基于深度学习的方法凭借其卓越性能主导了图像去噪领域。监督学习方法通过大规模成对数据集训练网络，取得了最佳效果，但其对噪声-干净或噪声-噪声图像对的依赖导致数据收集耗时且复杂。为缓解这一问题，自监督去噪方法通过挖掘噪声图像内部监督信号，避免了干净数据的需求，但仍需大量训练图像，且对真实噪声的泛化能力不足，尤其面对未知噪声类型时性能显著下降。进一步减少数据依赖的零样本方法成为研究热点。这类方法聚焦于单张噪声图像生成训练对及高效网络设计，例如通过添加随机噪声或下采样构造数据，并采用等轻量架构。

2025-04-21 15:58:06 123

原创 BasicTS：全面基准测试与异质性分析

这篇论文对多元时间序列预测领域的研究具有重要意义，BasicTS+基准测试和数据集异质性分析为该领域的研究提供了新的思路和方法。希望感兴趣的读者深入阅读论文原文，获取更多详细信息，共同推动多元时间序列预测领域的发展。

2025-04-13 20:16:04 1052

转载 Price DOES Matter! Modeling Price and Interest Preferences in Session-based Recommendation

价格因素在用户的购买行为中起着至关重要的作用，因此，我们提出一个新的方法互导异质超图网络 CoHHN，将价格因素引入到会话推荐任务当中。首先，我们根据匿名用户产生的会话（session）构建了异质超图，紧接着我们设计了一种双通道信息累积机制来学习节点的表示，随后我们使用注意力层来分别获取用户的原始价格偏好及兴趣偏好，然后我们提出互导学习机制来建模价格偏好及兴趣偏好之间的关系用以修正原始的价格偏好和兴趣偏好表示，最后我们根据用户的价格偏好和兴趣偏好为用户形成个性化推荐列表。)，即用户喜欢一件商品的程度。

2025-04-07 14:49:38 54

转载去噪扩散模型

扩散概率模型作为一种新兴的研究方向，近年来在图像生成领域展现出了巨大潜力。追溯历史，基于扩散的生成模型在2015年就出现了，而直到2020年，Ho等人发表的论文Denoising Diffusion Probabilistic Models，DDPM，将扩散模型推向了大众，DDPM的出现使得扩散模型在实际应用中变得可行。本文将介绍DDPM的核心概念和技术，并以“flowers”数据集为例，从头开始训练DDPM，探索无约束条件下的图像生成过程。在DDPM模型中，作者通过调整模型公式和训练流程，不仅提升了图像的

2025-03-16 22:30:23 153

原创 TimeMixer：用于时间序列预测的可分解多尺度混合模型

在时间序列预测领域，准确捕捉复杂的时间变化是关键挑战。本文介绍的“TimeMixer: Decomposable Multiscale Mixing for Time Series Forecasting”提出了创新的TimeMixer模型，在长短期预测任务中均展现卓越性能。

2025-03-10 16:34:20 1472

原创基于图神经网络的会话推荐经典论文

其中3篇文章都使用到了软注意力机制，来获取会话的全局表示。在GCE-GNN文章中考虑了位置信息，并加入了反向位置信息。在图结构中，为不同的边考虑不同的权重参数。在GCE-GNN文章中使用注意力机制来从全局图中提取适合当前会话的信息。

2025-03-02 22:53:52 954

转载 Transformer压缩

对于实际的硬件实现，将权重或激活量化为较低的位是必不可少的。然而，在本综述的范围内，将源模型限制为用于自然语言处理 [134]，[4] 或视觉识别 [12]，[26]，[135]，[136] 的预训练大型 transformer 提出了需要解决的几个具体类别的技术（图 5）。在量化过程中，如方程 4 所示，浮点张量 x 被转换为具有相应量化参数（比例因子 s和零点 z）的整数张量 x_int，然后整数张量 x_int 可以被量化回浮点数 x_quant，但与原始 x 相比会导致一定的精度误差，即，

2025-01-13 10:48:53 107

原创经典论文推荐

交通方向：推荐人：胡梦言1、Li Y , Yu R , Shahabi C ,et al.Diffusion Convolutional Recurrent Neural Network: Data-Driven Traffic Forecasting[J]. 2017.DOI:10.48550/arXiv.1707.01926.推荐理由：引入图卷积操作，同时利用了时间特征和空间特征，是许多论文常用的对比方法。2、Yu L , Du B , Hu X ,et al.Deep spatio-

2025-01-06 10:26:41 1235

转载图像降噪：最优化建模方案盘点

根据贝叶斯概率论从有噪图像Y恢复无噪图像X可以视为条件概率模型p(Y|X)与p(X)的建模问题，因此图像降噪作为一个典型的病态求解问题需要引入先验信息或者假设模型p(X)。我们可以将降噪方法大体分为外部先验和内部先验方法：外部先验方法主要通过学习外部干净图像数据集的固有属性指导噪声图像降噪，如学习干净图像的字典或先验高斯混合模型，另外基于深度学习的方法也可以归纳于此。而内部先验方法主要依赖于如低秩、稀疏、自相似等图像内部特征，如KSVD、WNNM、BM3D、NLM等方法。

2024-12-30 00:13:34 323

转载机器学习 - 拉普拉斯算子与拉普拉斯矩阵

其中， |V| 即为这个圈的体积， S(V) 为这个圈的边界， n^ 为与圈边界上指向外的单位向量。所以，从以上分析可看出，散度表示了向量场的发散程度，散度为正，值越大，向量场在处发散地越强烈；而散度为负，值越小，向量场在处汇集地越强烈。而。

2024-12-23 09:44:09 466

转载 Learning Multi-granularity Consecutive User Intent Unit forSession-based Recommendation

令表示所有的商品的集合，会话表示为，其中L是会话长度，表示在位置i时商品的id。目的是给定si后，预测。

2024-12-15 19:50:33 123

转载优化论简介

低罚参数使得优化过程在可行域外也能找到较低的目标函数值点，但可能不满足约束条件。高罚参数强制优化过程在可行域内找到最优解，因为违反约束条件的点会被显著惩罚。

2024-12-08 22:03:27 354

转载最大似然估计，最大后验估计以及贝叶斯估计

在机器学习中，我们经常使用一个模型来描述生成观察数据的过程。例如，我们可以使用一个随机森林模型来分类客户是否会取消订阅服务（称为流失建模），或者我们可以用线性模型根据公司的广告支出来预测公司的收入（这是一个线性回归的例子）。每个模型都包含自己的一组参数，这些参数最终定义了模型本身。我们可以把线性模型写成 y = mx + c 的形式。在广告预测收入的例子中，x 可以表示广告支出，y 是产生的收入。m 和 c 则是这个模型的参数。这些参数的不同值将在坐标平面上给出不同的直线（见下图）。

2024-12-01 20:38:22 1173

原创 Efficiently Leveraging Multi-level User Intent for SBR via Atten-Mixer Network(WSDM23)

基于会话的推荐（SBR）旨在基于短的和动态的会话来预测用户的下一步行动。最近，人们越来越关注利用各种精心设计的图神经网络(GNN) 来捕获项目之间的成对关系，这似乎表明设计更复杂的模型是提高实证性能的灵丹妙药。然而，虽然模型复杂性的指数增长，但这些模型只能实现相对边际的改进。因此，本文建议直接去掉GNN的传播部分，在readout模块增强其推理能力。Atten-Mixer提出了多级注意混合网络，它利用概念视图和实例视图读数来实现项目转换的多级推理。

2024-11-24 16:42:22 752

转载两类最主流AI应用中的目标函数

本篇通俗讲述“文生图”、聊天机器人背后的大致原理，重点阐述衡量生成结果与真实情况之间分布差异的KL散度（相对熵）、评估排序信息的成对排序损失（Pairwise Ranking Loss）两种任务类型的目标函数。类似Midjourney、DALL-E、Stable Diffusion、FLUX.1等优秀的“文生图”应用，在训练中势必要重点关注“如何衡量推测分布（生成的图像）与实际分布（原始的图像）的差距”。喂给SFT模型一个问题文本，得到4个回答（A、B、C、D），人类标注员进行排序（D>C>A>B）。

2024-11-18 10:12:38 155

转载大模型的原理、应用与未来趋势

如果说统计模型是一个熟练的棋手，那么神经模型就像是一个天才棋手，不仅记住了大量的棋谱，还能理解每步棋背后的深层策略。例如，在Falcon40B模型的训练过程中，研究人员对CommonCrawl数据进行了大规模的过滤和去重，最终从原始的数万亿个token中筛选出了约5万亿个高质量的token。构建一个成功的大语言模型，就像精心打造一座宏伟的建筑。例如你可以用自然语言告诉Alpaca “为我的宠物猫设计一个自动喂食器”，它不仅能理解你的需求，还能给出详细的设计方案，包括材料清单、组装步骤，甚至可能的改进建议。

2024-11-10 22:27:57 150

转载综述：深度图像先验

一句话概括：逆/反成像问题指从有噪声的观测中还原出真实信号的问题以下使用逆问题的说法推荐这个视频，几分钟就讲清楚了综述论文中第一部分的内容REI：完全无监督的成像逆问题框架【CVPR 2022 Oral】_哔哩哔哩_bilibiliwww.bilibili.com/video/BV1GS4y1v7wr/?vd_source=0f9579b55d8552e605ea0761f15e41f2编辑*以下黑色背景的图片均出自该视频x是感兴趣的未知图像，A是测量算子，用A对x进行观测，得到观测值y。

2024-11-03 22:40:50 316

转载【论文阅读_序列推荐】Intent Contrastive Learning for Sequential Recommendation

上述公式求解很复杂，因此根据EM算法，构造上式的下界，通过最大化下界来最大化上式，假设意图c满足分布Q(c)，∑cQ(ci)=1，并且Q(c)≥0，可以得到下式，等式右边第一个是求期望，第二个是乘上Q()/Q()，值不变。但是直接优化上式存在一个问题，就是不同的用户可能存在相同的意图，如果直接优化，可能会把相同意图的也作为负样本，即假阴性。前面我们提到序列推荐中，每次都用前t个子序列来预测第t+1时的商品，为了简化ICL损失函数的计算，只考虑最后一步的下界，则可以去掉上式的中间的求和，公式如下，

2024-10-27 14:10:35 251 1

转载 ST-LLM

A: 这篇论文介绍了STG-LLM（Spatial-Temporal Graph-Large Language Model），一种创新的方法，旨在利用大型语言模型（LLMs）进行时空预测。问题背景论文指出，尽管LLMs在自然语言处理和计算机视觉等领域表现出色，但将它们应用于时空预测任务仍然面临挑战，主要是因为文本数据与时空数据之间的差异。STG-LLM方法为了解决这一问题，论文提出了STG-LLM，它包含两个关键组件：STG-Tokenizer和STG-Adapter。

2024-10-22 18:34:15 150

转载 GraphRAG Survey 解读

GraphRAG的核心思想是将知识图谱中的结构化信息（如节点、三元组、路径或子图）与LLMs的输出相结合，以提供更准确和丰富的生成结果。由于知识图谱中的结构化信息是经过组织和整理的，因此可以更方便地进行信息的检索和聚合，从而避免冗余信息的出现。为了解决这个问题，图检索增强生成（GraphRAG）利用了实体之间的结构信息，实现了更精确、全面的检索，捕捉了关系知识，促进了更准确、上下文感知的响应。这一阶段的目标是通过选择或构建适当的图数据，并建立有效的索引，来为后续的GraphRAG过程提供坚实的基础。

2024-10-13 16:27:40 133

转载从人机交互出发解读Prompt Engineering (提示词工程)

我们选择了经典的3个数据集：ImageNet-LT、Places-LT、以及iNaturalist，然后测试CLIP在不同数据上的结果，发现其并非一往无前，而是在稀疏少见的类别上（如iNaturalist数据集的大多数类别）均表现不好，精度只有。注意，并不是所有的prompt都有这样的形式，如比较简短的prompt：“中国的首都在哪里”、“模仿百年孤独的开头写一段话”这种言简意赅的prompt就只有指令、没有内容。我们输入的这些prompt，将会被模型识别、处理，最终输出为我们要的答案。

2024-09-29 21:52:43 209

转载大语言模型（LLM）综述

自2022年11月发布 ChatGPT 以来，大语言模型（LLM）因其在各种自然语言任务上的出色表现而备受关注。LLM的通用语言理解和生成能力是通过在大量文本数据上训练数十亿个模型参数来获得的，正如Scaling Laws所预测的那样（OpenAI 2020年提出的，简单的说就是：随着模型大小、数据集大小和用于训练的计算浮点数的增加,模型的性能会提高）。LLM的研究领域虽然是最近才出现的，但正在以许多不同的方式迅速发展。

2024-09-22 21:37:46 368 1

转载大模型微调方法综述

Prefix Tuning针对不同的模型结构有设计不同的模式，以自回归的模型为例，不再使用token去作为前缀，而是直接使用参数作为前缀，比如一个l × d l × dl×d的矩阵P PP作为前缀，但直接使用这样的前缀效果不稳定，因此使用一个MLP层重参数化，并放大维度d dd，除了在embedding层加入这个前缀之外，还在其他的所有层都添加这样一个前缀。简单来说模型的参数就类比于，一个在大学学习到所有专业的知识的大学生，基于过往的学习经验以及对生活中的一些事情，已经有了属于自己的一套学习方法思维逻辑。

2024-09-15 23:50:21 518

交通大模型与时序大模型开源代码

深度推荐系统简介.mp4

雅虎音乐数据集1.0版本yahoo-music.zip

空空如也