很棒的开放世界学习
文件
2021年
迈向开放世界物体检测（ CVPR21 ）[]
2020年
新兴小说课堂的多实例学习（ TKDE20 ）[]
具有新兴标签的半监督流学习。 （ AAAI20 ）[]
2019年
最近的邻居集合：新兴类流分类中的难题的有效方法（ ICDM19 ）[]
具有新型类检测（ ICDE19 ）的鲁棒高维流分类[]
2018年
带有新标签的多标签学习（ TKDE18 ）[]
2017年
流式新兴新类下的分类：使用完全随机树的解决方案。 （ TKDE17 ）[]
通过类矩阵素描（ AAAI17 ）进行新兴类的流分类。[]
2016年
在线开放世界认可（ arXiv 16 ）[]
2015年
不忘学习（ CVPR15 ）[ ]
2014年
利用未标注的数据进行增强课堂学习（ AAAI14 ）[]
如果您找不到任何有趣的论文，请随时与我联系。
2021-09-24 16:57:13
1KB
1
多用户移动边缘计算的分散式计算分流：一种深度强化学习方法
多用户移动边缘计算的分散式计算分流：一种深度强化学习方法
这实现了论文中的算法
一些提示：尝试通过运行ipynb文件之一来开始您的旅程，例如test_save_model_multiple_t02_noBuf.ipynb。
“用于多用户移动边缘计算的分散式计算分流：一种深度强化学习方法”
如果您发现这对您的研究有用，请使用
@article {chen2018decentralized，title = {用于多用户移动边缘计算的分散式计算分流：一种深度强化学习方法}，作者= {Chen，Zhao和Wang，Xiaodong}，journal = {arXiv预印本arXiv：1812.07394}，年= {2018}}
如有任何疑问，请通过与我联系。
2021-09-24 16:46:28
444.79MB
1
PB源码,几年前初学时写的一个小程序,里面包括了对数据库增删改查,适合初学. 数据库也打包了,还原就能使用.有不懂的问题可以发邮件给我746528978@qq.com
2021-09-24 15:07:05
2.22MB
1
分布式DRL
分布式深度强化学习
该框架的灵感来自OpenAI的通用RL培训系统Rapid 。
快速框架： 我们的框架：
教程
该框架将强化学习过程分为五个部分：
重播缓冲区（选项）
参数服务器
火车（学习）
推出
测试
@ ray . remote
class ReplayBuffer :
...
# replay buffer
@ ray . remote
class ParameterServer ( object ):
...
# keep the newest network weights here
# could pull and push the weights
# also could save the weights to local
@ ray . remote ( num_gpus = 1 ,
2021-09-18 15:12:57
874KB
1
堆码
简述
主要的三类集成学习方法为装袋，提升和堆叠。目前，大型的数据挖掘比赛（如Kaggle），排名靠前的基本上都是集成机器学习模型或深度神经网络。 将训练好的所有基模型对整个训练集进行预测，第$ j $个基模型对第i个训练样本的预测值将作为新的训练集中第$ i $个样本的第$ j $个特征值，同理，预测的过程也要先经过所有基模型的预测形成新的测试集，最后再对测试集进行预测。
具体原理讲解参考，简单来说，集成学习其实都是将基本模型组合形成更优秀的模型，Stacking也不例外。stacking是各个算法训练全样本的结果再用一个元算法融合这些结果，它可以选择使用网格搜索和交叉验证。
Mlxtend框架
基本上，现代传统机器学习领域的库基本上被sciket-learn（sklearn）占领，如果你没有使用过sklearnlib，那就不能使用过机器学习算法进行数据挖掘。但是，自定义集成学习库依
2021-09-17 14:58:46
6KB
1