Sep, 2022

深湖：一个深度学习的数据湖

PDF
TL;DRDeep Lake 是面向深度学习应用的开放式数据湖，它在保持数据湖优势的同时，存储更丰富的复杂数据，并以张量形式快速流式传输数据到张量查询语言、浏览器可视化引擎或深度学习框架，同时支持 PyTorch、TensorFlow、JAX 等多种 MLOps 工具。
data lakedeep learningnlpcomputer visiontensor
发现论文，激发创造
  • 基于深度语言处理的深度学习评估

    本文讨论了用于视觉问答等任务的标准评估方法存在的问题，并认为人工数据可以作为当前实践的补充来解决这些问题。我们展示了利用现有的 “深度” 语言处理技术可以创建具有挑战性的抽象数据集，这些数据集使我们能够详细研究多模态深度学习模型的语言理解能力，与静态和单一数据集上的单一性能值相比。

    Jun, 2017

  • 商务分析中的深度学习：期望与现实的冲突

    该论文论述了深度学习虽然备受欢迎，但在商业分析领域普及存在困难，原因是计算复杂度、数据结构、缺乏透明度（黑匣子）和人才短缺等问题，而且在结构化数据集上无法优于传统的机器学习模型。因此，应该把深度学习视为现有机器学习模型的有力补充，而非通用解决方案。

    May, 2022

  • 教育数据科学的深度学习

    深度学习应用于教育数据科学的调查和讨论，主要涉及深度神经网络、知识追踪模型和自动情感与行为检测器等领域。

    Apr, 2024

  • 深度学习中的隐私：综述

    本文综述了深度学习中面临的隐私问题，以及已经提出的解决这些问题的技术，并提出了未来研究方向。

    Apr, 2020

  • 揭示深度学习的前沿：塑造多样领域的创新

    通过综合研究文献，本文广泛探讨了深度学习在各个学科中的潜在应用，以及相关的优势和挑战，验证了深度学习在预测分析方面的准确性和优势，使其成为一种强大的计算工具。深度学习独立于训练数据，因此需要大量的数据进行有效的分析和处理。为了处理大量的医疗、科学、医疗保健和环境数据，可以利用诸如 LSTMs 和 GRUs 的门控架构。对于多模态学习，神经网络中的共享神经元和特定任务的专用神经元是必要的。

    Sep, 2023

  • 深度主动学习综述

    这篇文章探讨了深度主动学习的现状和未来发展方向，介绍了目前现有的挖掘数据特征的多种方法，并且对 “深度主动学习” 进行了定义和系统梳理。

    Aug, 2020

  • 物理过程的深度学习：融入先前的科学知识

    用深度学习方法建模复杂现象，以海表温度预测为例，展示了从物理学中获取的背景知识如何指导设计高效的深度学习模型，并证明了一个物理现象的微分方程的解与提出的模型之间的形式上的联系。

    Nov, 2017

  • 在线深度学习的机遇与挑战教程回顾

    机器学习算法在当今世界中变得不可或缺，支持和加速我们根据手头数据做出决策的方式。本文回顾了在 ECML PKDD 2023 上举办的我们的在线深度学习机会与挑战教程，并简要概述了在在线学习环境中应用神经网络的机会和潜在风险，其中使用了 River 和 Deep-River 框架。

    May, 2024

  • 基于深度学习的浮游生态数据分析

    深度学习方法在浮游生态学中的实施带来了新的视角，提供了一种客观的方案来研究不同环境中的浮游生物。它们包括图像的检测和分类、觅食和游泳行为分析以及生态模拟。深度学习有潜力加速分析并减少人类实验偏差，从而在具有改进可重复性的相关时间和空间尺度上支持数据获取。我们还讨论了其不足，并展示了深度学习架构如何发展来减少不精确的结果。最后，我们提出了深度学习特别可能促进浮游生物研究的机会，并提供了详细的教程和代码样本，使读者能够将本综述中描述的方法应用于自己的数据。

    Sep, 2023

  • 推动高级分析中合成数据使用的分类

    通过对于合成数据具有的潜力进行分析，本文提出了将合成数据用于高级分析系统的税 onomic，并为其应用场景进行了评估，以揭示继续研究的机会。

    Dec, 2022