图神经网络学习 参考文献：https://distill.pub/2021/gnn-intro/ 前言 图神经网络的基本结构： 可以看到，在每一层传播之后图的基本结构没有发生变化，只对顶点、边以及全局信息进行了调整，也就是权重的变化。

多模态论文学习——Multimodal Foundation Models（二） 这一部分我们着重分析第三章内容，即视觉生成相关的技术前沿。视觉生成常用于图像、视频以及神经辐射场、3D点云等等，这里我们主要针对其在AIGC领域的发展。文本

多模态论文学习——Multimodal Foundation Models（一） 第一遍阅读 Abstract 本文关注于多模态基础模型的发展，根据领域发展是否成熟分成两类分别进行探讨： 成熟：通过学习vision backbones

每日一题整理——2023.10 10.12 Find in Mountain Array 给出一个山数组，找出给定元素的最小序号，需要注意的是山数组的形式为get()形式，且使用的次数不能超过100次。 我的思路：看了一下数据范围，1

机器翻译：基础与模型学习笔记——机器翻译前沿 神经机器翻译模型训练 神经机器翻译在当代遇到问题常有以下三部分： 对大容量模型的有效训练，也就是数据集的构建和过拟合之间的矛盾； 如何更好地训练模型，也就是特征选择和评价指标的判断标准；t

机器翻译：基础与模型学习笔记——神经机器翻译 人工神经网络和神经语言建模 深度学习与人工神经网络 提到神经网络，绕不开的两个关键词便是深度学习和分布式表示。分布式早期的思想是“一个复杂系统任何部分的输入都应该是多个特征共同表示的结果”

机器翻译：基础与模型学习笔记——统计机器翻译 [TOC] 基于词的机器翻译建模 传统翻译过程： 分析：将源语言句子表示为适合机器翻译的结构，分词； 转换：每个单词转换成目标语言单词； 生成：将目标语言译文转换成合乎语法的句子； 单

CoLaDa: A Collaborative Label Denoising Framework for Cross-lingual Named Entity Recognition 本文代码：vert-papers/papers/Co

机器翻译：基础与模型学习笔记——机器翻译基础 [TOC] 现代翻译系统的基础：从数据中自动学习翻译知识，并运用这些知识对新的文本进行翻译。 机器翻译的发展历程 早期：基于书写的规则，存在覆盖范围小、噪声非常敏感的特点； 发展：基于数

2023年计算机保研经验分享|次九rk8% 注：本次记录只代表个人观点，仅供参考。 前言 首先不得不感慨一下今年计算机保研的艰难程度，今年相比往年更加注重综合能力的考核，已然不是绩点为王的时代了。非常难受的是，我的绩点、科研和竞赛都比较

MMSegmentation语义分割全流程 环境安装 在这一部分，我首先安装配置了MMSegmentation，利用colab平台进行搭建，基本的信息如下： 这里使用的GPU为colab给出的基础款，即Tesla T4。 在之后的过程

CVPR2020 Counterfactual Samples Synthesizing for Robust VQA Note [TOC] 相关背景 Question Only Model（RUBi） https://blog.cs