卷友们好，我是rumor。虽然ChatGPT在大众眼里的热度可能已经过去了，但它prompt出了我的焦虑，于是最近一直在补大模型相关的工作。比起小模型，大模型有一个很重要的涌现能力（Emergentability）就是In-ContextLearning（ICL），也是一种新的范式，指在不进行参数更新的情况下，只在输入中加入几个示例就能让模型进行学习，如下图中用ICL做情感分析任务的栗子：忽略大模型的贵，这个范式具备不少优势：输入的形式是自然语言，可以让我们可以更好地跟语言模型交互，通过修改模版和示例说明我们想要什么，甚至可以把一些知识直接输入给模型这种学习方式更接近人类，即通过几个例子去类比
卷友们好，我是rumor。虽然ChatGPT在大众眼里的热度可能已经过去了，但它prompt出了我的焦虑，于是最近一直在补大模型相关的工作。比起小模型，大模型有一个很重要的涌现能力（Emergentability）就是In-ContextLearning（ICL），也是一种新的范式，指在不进行参数更新的情况下，只在输入中加入几个示例就能让模型进行学习，如下图中用ICL做情感分析任务的栗子：忽略大模型的贵，这个范式具备不少优势：输入的形式是自然语言，可以让我们可以更好地跟语言模型交互，通过修改模版和示例说明我们想要什么，甚至可以把一些知识直接输入给模型这种学习方式更接近人类，即通过几个例子去类比
为什么要使用主动学习(ActiveLearning，AL)针对有监督的学习任务，存在标记成本较为昂贵且标记难以大量获取的问题。在此问题背景下，主动学习（ActiveLearning,AL）尝试通过选择性的标记较少数据而训练出表现较好的模型。例如，此时我们有大量的猫和狗的数据，假设人为标记他们的类别是成本非常高的事情，这时需要用到主动学习从中挑选部分数据对他们进行标注以节约成本，用主动模型选取出的标注数据训练的模型比随机选取出的相同数量的标注数据训练的模型精度更高。如图所示，图(a)是全部数据集，图©中使用主动学习策略仅选取30个样本训练出的逻辑回归模型即可达到90%的准确率，而图(b)中随机选
为什么要使用主动学习(ActiveLearning，AL)针对有监督的学习任务，存在标记成本较为昂贵且标记难以大量获取的问题。在此问题背景下，主动学习（ActiveLearning,AL）尝试通过选择性的标记较少数据而训练出表现较好的模型。例如，此时我们有大量的猫和狗的数据，假设人为标记他们的类别是成本非常高的事情，这时需要用到主动学习从中挑选部分数据对他们进行标注以节约成本，用主动模型选取出的标注数据训练的模型比随机选取出的相同数量的标注数据训练的模型精度更高。如图所示，图(a)是全部数据集，图©中使用主动学习策略仅选取30个样本训练出的逻辑回归模型即可达到90%的准确率，而图(b)中随机选
【论文笔记】EASY–EnsembleAugmented-ShotY-shapedLearning:State-Of-The-ArtFew-ShotClassificationwithSimpleIngredientsIntroductionRELATEDWORKMETHODOLOGYSTEPS参考资料文章链接：EASY–EnsembleAugmented-ShotY-shapedLearning:State-Of-The-ArtFew-ShotClassificationwithSimpleIngredientsIntroduction经典小样本setting包括以下两个部分：1.gener
【论文笔记】EASY–EnsembleAugmented-ShotY-shapedLearning:State-Of-The-ArtFew-ShotClassificationwithSimpleIngredientsIntroductionRELATEDWORKMETHODOLOGYSTEPS参考资料文章链接：EASY–EnsembleAugmented-ShotY-shapedLearning:State-Of-The-ArtFew-ShotClassificationwithSimpleIngredientsIntroduction经典小样本setting包括以下两个部分：1.gener
原文链接：https://arxiv.org/pdf/2007.08199.pdfgithub链接：GitHub-songhwanjun/Awesome-Noisy-Labels:ASurvey（本文仅做阅读笔记之用，如需了解细节可自行查看原文，翻译不周之处，敬请指正）1.Introduction据统计真实世界的数据集中存在的标注噪声范围在8%到38.5%。深度神经网络（DNN）因为具有很强的拟合能力，所以很容易对噪声标签过拟合。正则化技术（如数据增强，权重衰减，dropout，批次正则化（BN）等）虽然能缓解过拟合问题，但是光靠正则化并不能完全克服过拟合。如fig.1就形象地说明了这个问题：
原文链接：https://arxiv.org/pdf/2007.08199.pdfgithub链接：GitHub-songhwanjun/Awesome-Noisy-Labels:ASurvey（本文仅做阅读笔记之用，如需了解细节可自行查看原文，翻译不周之处，敬请指正）1.Introduction据统计真实世界的数据集中存在的标注噪声范围在8%到38.5%。深度神经网络（DNN）因为具有很强的拟合能力，所以很容易对噪声标签过拟合。正则化技术（如数据增强，权重衰减，dropout，批次正则化（BN）等）虽然能缓解过拟合问题，但是光靠正则化并不能完全克服过拟合。如fig.1就形象地说明了这个问题：
CopyrightProtectionBasedonZeroWatermarkingandBlockchainforVectorMaps标题：基于零水印和区块链的矢量图版权保护作者：NaRen，YazhouZhao，ChangqingZhu，QifeiZhou，DingjieXu发布年份：2021摘要零水印不会改变矢量图数据中包含的原始信息，并提供完美的不可感知性。将零水印用于数据版权保护已成为数字水印研究的重要趋势。然而，由于零水印需要将版权信息存储在第三方，且难以确认版权归属，因此零水印的发展和应用遇到了巨大的障碍。针对现有零水印技术的不足，提出一种基于矢量数据角度特征的零水印构造方法
CopyrightProtectionBasedonZeroWatermarkingandBlockchainforVectorMaps标题：基于零水印和区块链的矢量图版权保护作者：NaRen，YazhouZhao，ChangqingZhu，QifeiZhou，DingjieXu发布年份：2021摘要零水印不会改变矢量图数据中包含的原始信息，并提供完美的不可感知性。将零水印用于数据版权保护已成为数字水印研究的重要趋势。然而，由于零水印需要将版权信息存储在第三方，且难以确认版权归属，因此零水印的发展和应用遇到了巨大的障碍。针对现有零水印技术的不足，提出一种基于矢量数据角度特征的零水印构造方法
