qq_40206371的博客

原创 大模型Transformer笔记：KV缓存

所有 Head 分为 g个组（ g可以整除 head数量 h）

原创 论文略读Fewer Truncations Improve Language Modeling

ICML 2024。

原创 论文略读：MoRA: High-Rank Updating for Parameter-Efficient Fine-Tuning

LoRA的改进。

原创 论文略读：The Power of Noise: Redefining Retrieval for RAG Systems

省流：在RAG中，噪声文档不仅没有对系统性能造成负面影响，反而能够显著提高系统的准确性。

原创 论文略读：X-VARS: Introducing Explainability in Football Refereeingwith Multi-Modal Large Language Model

数据集+模型。

原创 论文略读：MathBench: Evaluating the Theory and Application Proficiency of LLMswith a Hierarchical Mathem

数学benchmark，涵盖从小学、初中、高中、大学不同难度，从基础算术题到高阶微积分、统计学、概率论等丰富类别的数学题目。

原创 论文略读： Fast-DetectGPT: Efficient Zero-Shot Detection of Machine-Generated Text via Conditional Probab

ICLR 2024。

原创 论文笔记：SIBO: A Simple Booster for Parameter-Efficient Fine-Tuning

ACL 2024。

原创 数据集笔记：北京市摩拜数据（摩拜杯算法挑战赛）

。

原创 论文笔记：LaDe: The First Comprehensive Last-mile Delivery Dataset from Industry

2023 KDD 最后一公里数据集

原创 论文略读：CBLab: Scalable Traffic Simulation with Enriched Data Supporting

2023 KDD。

原创 论文略读：FDTI: Fine-grained Deep Traffic Inference with Roadnet-enriched Graph （PKDD2023)

这是首次完成城市级别的细粒度交通预测。

原创 论文略读：Graph Neural Processes for Spatio-Temporal Extrapolation

2023 KDD。

原创 accelerate 笔记：多个gpu training，一个gpu infer

首先，test_loader 不参与accelerate的prepare。其次，只在main_process的地方进行infer。

原创 python 笔记 geo-bleu

【代码】python 笔记 geo-bleu。

原创 论文辅助笔记：LP_BERT

读取命令行参数，调用task1函数。

原创 论文笔记：GeoFormer: Predicting Human Mobility using GenerativePre-trained Transformer (GPT)

2023 sigspatial humob workshop

原创 论文笔记：Estimating future human trajectories from sparse time series data

sigspatial 2023 humob竞赛paper。

原创 论文笔记：Multi-perspective Spatiotemporal Context-aware NeuralNetworks for Human Mobility Prediction

给定一组空间单元𝑃，对于任何空间单元𝑝 ∈ 𝑃，我们可以使用[𝜆, 𝜑]来指示其纬度和经度假设这些空间单元中有一些用户𝑈，任何用户𝑢𝑖 ∈ 𝑈都有一定的轨迹𝑇 𝑟𝑎𝑗𝑖 = [(𝑡𝑖,1, 𝑝𝑖,1), (𝑡𝑖,2, 𝑝𝑖,2), ...] 随着时间𝑡 ∈ 𝑇的变化目标是利用用户的前𝛼步时空信息来推断接下来𝛽步的空间位置即，这个问题可以看作是找到一个复杂的映射关系𝑓，并利用人类移动的历史信息实现下一个位置的预测。

原创 论文辅助笔记：Cell-Level Trajectory Prediction Using Time-embeddedEncoder-Decoder Network

1 train_task1.py2dataset.py2.1Task1TrainDataset2.2 Task1ValDataset3model.py4val_task1.py

原创 论文笔记：GEO-BLEU: Similarity Measure for Geospatial Sequences

—>论文基于 BLEU，提出了GEO-BLEU。

原创 NLP笔记：BLEU

机器译文： the the the the the the the.机器翻译：The cat sat on the mat.机器翻译：The cat sat on the mat.人工翻译：The cat is on the mat.参考译文：The cat is on the mat.此时 1-gram会把所有the都算上，匹配度为7/7。参考译文：The cat is on the mat.人工翻译：The cat is on the mat。——>取最小值之后，1-gram为2/7。

原创 论文辅助笔记：Large Language Models are Zero-Shot Next LocationPredictors

trajectory_split暂时略去。

原创 数据集笔记： FourSquare - NYC and Tokyo Check-ins

【代码】数据集笔记： FourSquare - NYC and Tokyo Check-ins。

原创 论文笔记：Large Language Models are Zero-Shot Next LocationPredictors

下一个地点预测通常定义为根据个体的历史移动轨迹预测其下一个将访问的地点的问题，这些轨迹通常表示为时空轨迹（轨迹）时空点 p = (t, l) 是一个元组，其中 t 表示时间戳，l 表示地理位置。轨迹 P = p1, p2, ..., pn 是个体访问的 n 个时空点的时间有序序列根据 DeepMove的方法筛选轨迹筛选出记录少于 10 条的用户选择了 72 小时的间隔作为区分不同轨迹的阈值任何拥有少于五条轨迹的用户都被排除在分析之外。

原创 Libcity笔记：strnn_encoder.py

所以对于 STRNN来说，它的eval_data的每个元素是：

原创 论文笔记：Human Mobility Prediction Challenge: Next LocationPrediction using Spatiotemporal BERT

在这个挑战中，提供了一个覆盖75天、涵盖10万个个体的主要都市区的流动性数据集。目标区域被细分为500米 × 500米的单元，构成一个200 × 200的网格。个体移动以30分钟间隔和500米的网格单元进行离散化任务1涉及使用80,000个个体的75天流动数据和20,000个目标个体的60天数据来预测剩余的15天流动轨迹任务2要求使用60天的日常活动流动数据、15天的紧急流动数据和22,500个个体的60天日常活动流动数据，为2,500个目标个体预测剩余的15天紧急流动轨迹用户ID。

原创 论文笔记：Cell-Level Trajectory Prediction Using Time-embeddedEncoder-Decoder Network

首先将原始收集的轨迹数据分段，形成单元级轨迹。

原创 算法笔记：空间填充曲线

六次迭代的希尔伯特曲线：

原创 pandas 笔记crosstab

用来计算两个（或更多）因子的交叉表（即频率表、列联表或透视表）。这个功能特别适用于统计分析和数据探索阶段，帮助理解不同变量之间的关系。

原创 论文笔记：OneBit: Towards Extremely Low-bit Large Language Models

202402 arxiv

原创 数据集笔记：获取西安乡镇边界

我是从公众号上找到的乡镇边界数据。

原创 html笔记：刨析一个实验室主页：people.html

原创 html笔记：刨析一个实验室主页模板(index.html)

1 index.html

原创 pytorch笔记：BatchNorm1d

用于 running_mean 和 running_var 计算的值。可设置为 None，表示累积移动平均（即简单平均）。对2D或3D输入应用批量归一化。

原创 论文辅助笔记/数据记笔记：SynMob

对于行程轨迹，每个样本表示为一系列连续采样的GPS点，分别记录经度和纬度。

原创 论文笔记：When LLMs Meet Cunning Questions: A Fallacy Understanding Benchmark for Large Language Models

弱智吧benchmark。

原创 trackintel笔记：读取csv

以{‘旧名称’:‘trackintel标准名称’}格式重命名列名。此函数需要的列包括：“user_id”、“tracked_at”、“latitude”和“longitude”pyproj.crs或字符串, 可选设置坐标参考系。该值可以是pyproj.CRS.from_user_input()接受的任何内容，例如权威字符串（如‘EPSG:4326’）或WKT字符串。

原创 论文笔记：SynMob: Creating High-Fidelity Synthetic GPSTrajectory Dataset for Urban Mobility Analysis

SYN-CHENGDU和SYN-XI'AN。

原创 pytorch 笔记：torch.optim.Adam

【代码】pytorch 笔记：torch.optim.Adam。