bbbeoy的专栏

深度学习应用于Tabular数据的经验 - 知乎

Wide&Deep的进阶---Deep&Cross(DCN)模型理解与分析，附TF2.x复现 - 知乎​​​​​​推荐系统 之 Wide&Deep和Deep&Cross_Francis_s的博客-CSDN博客

Conservative Q-Learning for Offline Reinforcement Learning_石磅溪涧的博客-CSDN博客（CQL）Conservative Q-Learning for Offline Reinforcement Learning_yxh的博客-CSDN博客

https://arxiv.org/pdf/1901.05555.pdfskewed 倾斜的，歪斜的 heuristic 启发式的 interpolated插值 focal 焦点的 complementary 互补的 coverage 覆盖 tamable 可驯服的 intrinsic 内在的，本质的Abstract随着大规模、真实世界数据集的迅速增加，长尾数据分布问题的解决变得至关重要（即少数类占了大部分数据，而大多数类的代表性不足)。现有的解决方案通常采用类重新平衡策略，例如根据每个类的观察

多标签学习综述_我的博客-CSDN博客_多标签学习

来源：CVPR2019下载链接：https://arxiv.org/abs/1902.09720本文目的：为了减少图片中多标签标注的成本，提出了一种训练模型的方式：训练模型的样本使用标签没有标注完整的图片；作者的贡献：1）比较了多标签数据集的标注方法，作者的方法证明了使用部分标注的所有图片效果好于标注了所有标签的小数据集；2）提出了一种scalable方法用于ConvNet去学习部分标签（使用了binary cross-entropy loss）;3）提出了一种预测丢失标签的方法，使

Title: Learning a Deep ConvNet for Multi-label Classification with Partial Labels(2019)Link: Paper文章目录Abstract1. Introduction2. Related WorkLearning with partial / missing labels.Curriculum Learning / Never-Ending Learning.3. Learning with Partial

导语处于信息时代的我们，有幸经历了轰轰烈烈的以数据为中心的大数据革命（涉及机器学习，深度学习及其应用，例如 Alpha-Go, GPT-3, 自动驾驶等），深刻改变了我们生活的方方面面。如今另外一场相对不那么广为人知，但是同样重要的因果革命正在进行，它以因果科学中心并席卷了各个领域，尤其是人工智能。近日，一篇探索让 AI 系统攀登因果之梯的深刻综述文章“Torwards Causal Representation Learning”引起了大家广泛的关注。该文章可以视作 Bernhard Schölkopf

NLP --- 文本分类（向量空间模型（Vector Space Model）VSM）_进击的菜鸟-CSDN博客_向量空间模型向量空间模型算法( Vector Space Model )_摸鱼大侠的博客-CSDN博客_向量空间模型

How Graph Neural Networks (GNN) work: introduction to graph convolutions from scratchNikolas Adaloglouon2021-04-08·12minsGraph Neural NetworksSIMILAR ARTICLESGraph Neural NetworksGraph Neural Networks - An overviewBest Graph Neural Network.

An Embedding Learning Framework for Numerical Features in CTR PredictionKDD2021｜AutoDis: 连续型特征embedding新方法！ - 知乎总结该文章提出了AutoDis。该方法具有以下三种优点：1.高模型容量。2.自动离散化，端到端训练。3.连续特征embedding具有唯一的表示。感兴趣的同学可以动手实践下，该文章已开源[1]。笔者认为，该文章具有很好的借鉴价值，大家可以在自己的任务上或者业务中进行尝试...

ESMM模型与ESM2模型总结_rotation博客-CSDN博客

论文阅读：GBDT能否被深度学习取代——TabNet - 简书2021年，谁才是表格类数据模型的王者？ - 知乎 (zhihu.com)

机器学习：MixMatch 论文解读_Matrix-11-CSDN博客

上次在聊 autoML 框架时顺带提了一下对于表格类数据（也是商业类问题的主要数据形式）表现较好的模型的选择，最近正好在 Twitter 上看到几篇不错的文章，就来稍微展开讨论一下。以我目前的认知，表格类数据的主流模型选择就是树模型（包括 GBDT，随机森林等）和 NN（从 MLP 到各种复杂变种）两类。本文也主要来阐述和对比这两类模型。关于 Kaggle 比赛的分析如果仅考虑模型的精度效果，那么 Kaggle 比赛绝对是最好的检验方式之一。这方面推荐砍手豪大佬的两个系列文章：No free l

[论文阅读笔记22]Pseudo-Label：简单有效的半监督学习方法_ld326的专栏-CSDN博客

知识蒸馏（Knowledge Distillation）_AI Flash-CSDN博客_知识蒸馏

Large-scale machine learning and deep learning models are increasingly common. For instance, GPT-3 is trained on 570 GB of text and consists of 175 billion parameters. However, whilst training large models helps improve state-of-the-art performance, depl..

Note — I assume the reader has some basic knowledge of neural network and its working.Domain adaptation is a field of computer vision, where our goal is to train a neural network on asource datasetand secure a good accuracy on thetarget datasetwhich ...

Alternative Training多目标学习在推荐系统的应用(MMOE/ESMM/PLE) - 知乎