作者：禅与计算机程序设计艺术1.简介：随着技术的不断革新、应用需求的不断增加、社会发展的不断推进等诸多因素的影响，越来越多的人们在追求自我实现、追求自由、追求幸福。而在互联网的帮助下，人们已经能够实现人与人之间更加亲密的联系、更高效的沟通、更具创造力的工作、更大的商业利益、更广阔的未来。但是，对于信息化、数字化、网络化带来的各种变革，以及由此带来的无限可能性，却远远没有看到足够的讨论。基于对人类行为模式的分析和理解，计算机科学界提出了模拟人类的研究，其中最著名的模型就是微观经济学中使用的“agent-basedmodel”，其主要思想是构建一个虚拟环境，并让多个被称为“agent”的实体相互作
《KnowledgeTracing：ASurvey》论文在2023年2月收录于ACMComputingSurveys（IF好像有14）https://dl.acm.org/doi/pdf/10.1145/3569576后文里，我用技能一词来代替原文中的KC-knowledgecomponent=其他文献的知识点引文教学是促进知识转移的重要活动新冠促进教育系统的数字化转型目前的挑战每个题目可能对应多个技能技能之间存在依赖性，例如k1是k2的先决条件学生的遗忘行为会导致认知下降，对遗忘特征建模，技能可以根据遗忘相关性排序DLKT的方向：1.记忆结构2.注意力机制3.图表示学习4.文本特征5.遗忘特
分层强化学习综述论文阅读HierarchicalReinforcementLearning:AComprehensiveSurvey摘要一、介绍二、基础知识回顾2.1强化学习2.2分层强化学习2.2.1子任务符号2.2.2基于半马尔可夫决策过程的HRL符号2.3通用项定义三、分层强化学习方法3.1学习分层策略(LHP)3.1.1封建分层方法（基于goal）3.1.2策略树方法（基于option）3.2同时子任务发现+分层策略学习3.2.1统一策略树方法3.2.2封建方法的统一学习3.3独立子任务发现3.3.1子目标发现3.3.2不同技能发现3.4迁移分层强化学习3.4.1迁移+子任务策略蒸馏3
卷积神经网络硬件实现综述阅读之——《2019-ASurveyofConvolutionalNeuralNetworksonEdgewithReconfigurableComputing》Abstract：在本文中描述了常见的CNN网络的特点、运行CNN网络时的可重构计算的能力、硬件实现可重构CNN网络的最新技术水平，以及边缘可重构平台在未来发展的趋势和挑战。Introduction：边缘计算与云端计算的对比：边缘计算云端计算低延时高延时计算具有时效性计算不具备时效性网络传输依赖性低网络传输依赖性高特定任务的处理特定应用的处理成本低成本高分布式难于管理云端位于中心，易于管理难以调试(远程)容易调
SODA2022_cite=12_Cheng——Towardslarge-scalesmallobjectdetection:SurveyandBenchmarkshttps://shaunyuan22.github.io/SODA/小目标检测=smallobjectdetection=SODDatasets:SODA-D:OneDrvie;BaiduNetDiskSODA-A:OneDrvie;BaiduNetDiskCodesTheofficialcodesofourbenchmark,whichmainlyincludesdatapreparationandevaluation,arer
知识图谱综述(2021.4)论文标题:ASurveyonKnowledgeGraphs:Representation,Acquisition,andApplications论文期刊:IEEETRANSACTIONSONNEURALNETWORKSANDLEARNINGSYSTEMS,2021论文地址:https://arxiv.53yu.com/pdf/2002.00388.pdf%E2%80%8Barxiv.org目录知识图谱综述(2021.4)摘要1.简介2.概述3.知识表示学习(KRL)3.1表示空间3.1.1点空间3.1.2复向量空间3.1.3高斯分布3.1.4流形和群3.2评分函数3
TheRiseandPotentialofLargeLanguageModelBasedAgents:ASurve-基于LLMs的代理的兴起和潜力：一项调查论文信息摘要1.介绍2.背景2.1AI代理的起源2.2代理研究的技术趋势2.3为什么大语言模型适合作为代理大脑的主要组件3.代理的诞生：基于大语言模型构建智能体3.1大脑3.1.1自然语言交互3.1.2知识3.1.3内存3.1.4推理与规划3.1.5可迁移性和泛化性3.2感知3.2.1文本输入3.2.2视觉输入3.2.3听觉输入3.2.4其他输入3.3行动3.3.1文本输出3.3.2工具使用3.3.3体现行动4代理实践：善用人工智能论文信息
当用户按下给定记录的按钮时，我想删除我的mongoDB中的记录。供引用:我已经设置了所有的mongoose和redux代码，但是我得到了这个错误:这是我的Action://deletesasurveywhenuserclicksbuttonexportconstdeleteSurvey=(surveyId)=>asyncdispatch=>{constresponse=awaitaxios.delete("/api/surveys",surveyId);dispatch({type:FETCH_SURVEYS,payload:response.data});};这是我的路由处理程序:a
Paper:TrafficMatrixEstimationTechniques-ASurveyonCurrentPractices|IEEEConferencePublication|IEEEXplore来源：2023InternationalConferenceonSustainableComputingandDataCommunicationSystems(ICSCDS)(强烈建议搭配英文原文看！)摘要TME的背景和重要性：通过流量矩阵估计（trafficmatrixestimation,TME）技术可以衡量在各种网络组件（如交换器和路由器）间移动的交通量。TME可以用于诊断和管理网络阻塞
LLMs：《ASurveyonEvaluationofLargeLanguageModels大型语言模型评估综述》翻译与解读导读：该文章首先介绍了人工智能（AI）对机器智能的专注，并探讨了评估AI模型的方法。随后，重点介绍了大语言模型（LLMs）的背景和特点，以及它们在自然语言处理、推理、生成等各类任务中的表现。文章还详细探讨了现有的评估基准和评估方式，包括自动评估和人工评估。在总结部分，突出了LLMs在不同任务中的成功与失败案例，并提出了未来评估LLMs的挑战与机遇，包括设计AGI基准、完整行为评估、鲁棒性评估、动态演进评估、可信度评估等。该文章为评估和提升AI模型提供了全面概述和指导。LL
