- 综合排序
- 最热优先
- 最新优先
- 来自专栏智药邦
Nat Commun｜基于图神经网络的迁移学习在多保真度数据下的分子性质预测
作者研究了图神经网络在化学分子的多保真度（multi-fidelity）数据迁移学习方面的潜力，通过利用低保真度数据进行预训练，在小样本的高保真度数据上改进分子特性预测。 结果 作者将基于图神经网络的多保真度数据迁移学习与一些具有代表性的方法进行了比较。 本文的重点是展示迁移学习与图神经网络在多保真度数据中的应用。 更具体地说，作者主要关注的是在化学分子数据集中，大规模的低保真度数据和小样本的高保真度数据之间的知识迁移。 本文的主要算法贡献在于识别和解决经典图神经网络的缺点，克服将图神经网络用于多保真度数据迁移学习的瓶颈。 实验结果的有效性和通用性展现了图神经网络在多保真度数据迁移学习中的应用前景。
98410编辑于 2024-03-18 - 来自专栏机器之心
这种多保真度优化技术是走向应用的关键
近日南京大学、第四范式和中国香港科技大学提出了一种多保真度自动机器学习方法，其在优化过程中利用修正后低保真度评价来代替原始的高保真度评价，而大大减少了总体评价的代价。 所以一些减少评价代价的方法被提出来，其中多保真度优化就是其中的一种。 多保真优化的设定是有多种不同保真度的评价方式。 多保真度技术是大规模自动机器学习优化问题走向实用的关键技术，大幅度降低评价代价为优化算法提供了更多探索的机会，使得优化算法能够发挥最大效能求解自动机器学习问题。 多保真度优化框架 我们设计了一个适用于任意非梯度优化方法的通用多保真度框架，主要研究最小化问题。非梯度优化的关键步骤是如何生成新样本 x。 在多保真度优化中，它会引入低保真度评价 f_L 以减少总的评价成本。该框架还会学习一个预测器 Ψ 以估计高保真度和低保真度评价之间的残差。
1.1K50发布于 2018-12-27 - 来自专栏机器之心
清华、中科大实现了量子版本的GAN，平均保真度98.8%
实验中生成的单个 qubit 的平均保真度为 98.8%。 近年来，量子机器学习引起了极大的关注。研究者提出了很多理论上能实现指数级加速的算法，有些已经在原理验证实验中得到了证明。 实验表明，经过几轮对抗学习，可以训练量子态生成器来复制量子信道模拟器输出的量子数据的统计数据，这些数据具有高保真度（平均 98.8％）。 图 4B 展示了量子保真度 F 的累积概率，其中纯和混合量子数据的平均保真度均为 98.8％。 ? 图 4：QGAN 性能的统计结果。 实验结果表明 G 可以学习输入量子数据的模式并产生具有高保真度的量子态，而 D 无法区分。 研究者表示，在该实验中展示的 QGAN 算法可以直接扩展到具有更高维度的量子系统。 例如，数值模拟表明，用于 2 和 3-qubit 系统的 QGAN 算法可以收敛到大于 0.95 的最终状态保真度，平均步数大约为数千步。
71420发布于 2019-04-30 - 来自专栏Utopia
详解Mybatis一对多、多对一、多对多
-- 一对多的关系 --> <! 到这里应该也很清楚了，教室对学生是一对多，那反过来，学生对教室就是多对一关系。 -- 多对一的关系 --> <! 一个教师可以教很多班级，一个班级可以有很多老师，也就形成了多对多的关系 新建教师表： create table teacher ( tid int(11) NOT NULL AUTO_INCREMENT :8080/teacherManage/listTeacher 控制台数据： 解析： 查询出所有的老师，再遍历查询该老师所教的班级；查询结果把tid、tname放在Teacher对象里 然后通过一对多的
3.3K20编辑于 2023-03-21 - 来自专栏新智元
硅量子比特里程碑达成，保真度超99%
而作者们提出的方法都让硅量子计算的保真度达到99%以上，超过了容错阈值。 或许，基于硅的量子计算机也即将成为可能。 在此之前，众多的量子比特平台中，只有超导电路、离子陷阱和钻石中的氮-空位中心能够让保真度超过99%的纠错阈值。 而硅中的电子自旋量子比特由于操作缓慢，双量子比特门的保真度一直被限制在98%以内。 结果显示，单量子比特保真度为99.87%，双量子比特的保真度为99.65%，均在99.5%以上。加入相邻量子比特的串扰和空转误差后，平均单量子比特门的保真度仍然高于99%。 99.5%，而单量子比特的保真度更是高达99.8%。 利用量子门集层析成像（GST）对量子操作进行验证后发现，单量子比特的保真度高达99.95%，双量子比特的保真度为99.37%，双量子比特准备/测量保真度为98.95%。
35120编辑于 2022-02-24 - 来自专栏量子位
3篇量子计算里程碑论文同登Nature封面：保真度超99%，达到实用化水平
来自澳洲、荷兰、日本的3个不同团队，同时实现了硅量子计算的一个重要里程碑—— 保真度超过99%。 该结果与谷歌Sycamore量子计算机的2量子比特保真度达到同一水平。 最后，他们使用门集断层扫描（GST）技术精确地描述了量子操作，得出1量子比特的平均门保真度为99.95%，2量子比特平均门保真度为99.37%，2量子比特制备/测量保真度高达98.95%。 篇论文 今天Nature封面的3篇论文分别实现了以下成果： 1、澳大利亚新南威尔士大学团队通过离子注入硅，在电子和两个磷原子组成的三量子比特系统上实现了1量子比特99.95%和2量子比特99.37%的保真度 2、荷兰代尔夫特理工大学团队使用硅/硅锗合金量子点的电子自旋，实现了1量子比特99.87%和2量子比特99.65%的保真度。 3、日本RIKEN团队同样在使用硅/硅锗合金量子点的双电子系统，实现了1量子比特99.84%和2量子比特99.51%的保真度。
46530编辑于 2022-03-04 - 来自专栏智能时刻
多租户 或多实例 ?
下面是多实例部署的常见用例。在确定最适合公司需求的部署类型时，请考虑这些示例。 主数据管理 在这个场景中，“主”数据集通过中央主数据源提供变更管理。 多租户部署 具有不同区域或国家模型的全球企业可以使用租户来考虑方法，市场规模或遵守法律和监管限制的变化。 ? 此示例包括Contoso Japan的第二个租户。 关于多个租户： 在多租户方案中，与租户关联的许可Dynamics 365（在线）用户只能访问映射到同一租户的一个或多个Dynamics 365（在线）实例。 在批量许可下添加多租户部署 对于多租户部署，您需要一个多租户修正案。 多租户修正案是用于购买许可证的批量许可协议的实际修订。 请与您的Microsoft销售代表或经销商联系以获取修订。 多租户的约束 想要部署和管理多个租户的管理员应该了解以下内容: 用户帐户、身份、安全组、订阅、许可和存储不能在租户之间共享。 单个域只能与一个租户联合。
4.7K20发布于 2018-09-21 超参数优化库实现可复现研究
针对需要多GPU或多节点分布式训练的神经网络场景，提供基于某云服务的后端实现，可并行运行多个试验。模拟后端越来越多的表格化基准可用于超参数优化和神经网络架构搜索研究。 实验涵盖两类算法：单保真度算法：需要完整训练运行来评估超参数配置，包括随机搜索（RS）、架构搜索正则化进化（REA）及贝叶斯优化变体（如基于高斯过程的GP和基于密度比的BORE）。 多保真度算法：提前终止无希望的训练运行，包括中位数停止规则（MSR）、异步连续减半（ASHA）和异步贝叶斯优化变体（如BOHB和MOB）。 在多保真度算法中，MSR是唯一未使用连续减半的算法，其表现最差。实验结果显示多保真度算法通常优于单保真度算法，因其能更高效利用计算资源。 实验验证在FCNet、NAS201和LCBench三个神经网络架构搜索基准测试中，多保真度算法的标准化排名均优于单保真度算法。
21010编辑于 2025-09-06- 来自专栏机器学习与推荐算法
多视图多示例多标签的协同矩阵分解
实例和标签）之间的关系，而这些实体之间的关系可以给M3L方法提供丰富的上下文信息，因此，现有的M3L方法性能次优； 2、大部分的MIML算法仅关注单视图数据，但是，在实际应用中，通常可以通过不同的视图来表示多实例多标签对象 2 Related work 由于包之间以及实例之间存在多种类型的关系,与最近大量研究的MIML任务相比，从多视图包中学习更加困难和挑战。当前已有不少研究工作致力于解决这样一种挑战。如表1所示： ? 尽管这些方法在努力解决多视图MIML学习问题，但是这些方法仅考虑了包之间和实例之间有限的关系类型。 2、construct a bag subnetwork for each feature view 利用豪斯多夫距离为每个试图中的包构建子网 ? ? 这个整合项受多实例学习原理的驱动，即包的标签取决于其实例的标签。另外，此整合项可以反向指导和的学习。 由目标函数的前三项可以看出，M3Lcmf构建了包-实例，包-标签，实例-标签之间的关系。
1.5K30发布于 2021-04-01 - 来自专栏Kirin博客
Django ORM 一对多 和 多对多
django ORM中一对多，和多对多字段正反向查询例子 一对多 在 models.py 上定义： class Province(models.Model): name = models.CharField city_set.all()) # 结果： # 河北 # <QuerySet [<City: 张家口>, <City: 邢台>]> return HttpResponse('ok') 多对多
3.5K20发布于 2020-05-12 - 来自专栏量子位
把「光」存储1小时，中科大新研究破世界纪录，保真度高达96.4% | Nature子刊
他们将600米的光脉冲停下来，在厚度5mm的晶体中保存了1个小时，取出后的信号保真度还能达到96.4±2.5%的水平！ ? 最终，被还原的光信号，存储保真度达到96.4±2.5%，意味着中科大这一系统具有极高的相干光存储潜力。 存储后的光，究竟有什么用？
43120发布于 2021-07-19 面向可重复研究的超参数优化库详解
Syne Tune：一个用于可重复研究的超参数优化库Syne Tune支持多种后端、单保真度和多保真度（早停）优化算法以及超参数迁移学习。 此外，神经网络训练可能需要许多GPU，甚至是跨多个节点分布或使用多GPU设备。对于这些用例，我们提供了一个后端，可以在云机器上并行运行多个试验。 我们还考虑了多保真度HPO算法，这些算法会提前停止没有希望的训练运行。中位数停止规则、异步连续减半和异步贝叶斯优化变体是突出的例子。 下表显示了这些单保真度和多保真度优化器在三个公开可用的神经架构搜索基准上的平均归一化排名：来自Klein和Hutter的FCNet；来自Dong和Yang的NAS201；以及来自Zimmer等人的LCBench 多保真度算法通常优于单保真度算法，这是预期的，因为它们更有效地利用了可用的计算资源。这些结果也与文献中先前报告的结果一致。值得注意的是，在多保真度算法中，MSR是唯一不使用连续减半的算法，其表现最差。
19710编辑于 2025-12-26- 来自专栏数据云团
Django实战-多对多查询
可以知道一个商家可以有多个商品类别，一个类别中也可以包含多个商品，所以这两张表的关系就是多对多的关系。 detail = models.TextField(blank=True, null=True) sc = models.ManyToManyField("Category")#与类别表进行多对多关联 # 添加类别 Category.objects.create(name="电脑整机") <Category: Category object> Category(name="文具").save() 多对多重点在于关系表的对应关系变更
3.8K40发布于 2019-10-15 - 来自专栏陶然同学博客
【MySQL】多对多练习案例
多表（二） 多对多 分析 一个订单中可以有多种商品 一种商品可以被添加到多个订单上。 如： 订单1中只买了一双皮鞋 订单2中买了一双皮鞋一条裤子 此时我们需要设计第三张表来描述 订单和商品的对应关系 商品和订单多对多关系，将拆分成两个一对多。 product商品表，为其中一个一对多的主表，需要提供主键pid order订单表，为另一个一对多的主表，需要提供主键oid orderitem中间表，为另外添加的第三张表，需要提供两个外键oid和pid
2.2K30编辑于 2023-02-24 - 来自专栏前端专享
TypeORM 多对多查询实现
首先定义2个实体 Article 和 Category是多对多的关系，一篇文章可以有多个分类，一个分类可以包含多篇文章 实体定义 import { Entity, Column, PrimaryGeneratedColumn
4.5K20发布于 2021-11-15 - 来自专栏全栈程序员必看
Hibernate annotation多对多配置
角色（用户组），用户多对多。
1.4K10编辑于 2022-07-08 - 来自专栏韩曙亮的移动开发专栏
【C++】继承 ⑪ ( 多继承 | 多继承语法 | 多继承案例 )
一、多继承 1、多继承基本语法 多继承 概念 : 一个 子类 ( 派生类 ) 可以 继承 多个 父类 ( 派生类 ) ; 一个类可以继承多个类的属性和方法 ; 使用多继承 , 可以创建更复杂的类 , 该派生类可以组合多个基类的功能 ; 只有 C++ 语言有多继承概念 , 别的语言没有该概念 ; Java 语言只能继承一个父类 , 可以实现多个接口 ; 多继承语法 : class 子类名称 : 访问控制关键字 访问控制关键字 : public : 表示 公有继承 ; protected : 表示 保护继承 ; private : 表示 私有继承 ; 继承的 每个 父类 都可以指定一个 访问控制关键字 ; 2、多继承子类构造初始化 如果 访问 的 父类 / 爷爷类 的 成员 成员变量 名称 不同 , 可以直接访问 ; 成员变量 名称 相同 , 就需要使用 父类 :: 成员变量名 或 爷爷类 :: 成员变量名 进行访问 ; 二、多继承案例 ---- 1、代码示例 - 简单多继承案例 在下面的代码中 , Child 子类 继承 Parent1 和 Parent2 父类 , 可以使用 Parent1::a 访问 父类1 中的成员变量 , 使用
68330编辑于 2023-10-26 - 来自专栏用户4888724的专栏
EKT多链技术谈 | 详解EKT“多链多共识”
今天我就在这里给大家讲讲EKT“多链多共识”的前世今生。 ---- 下面我就来说说我为何要设计一条“多链多共识”的公链。 “放弃”区块链2.0？ ---- EKT“多链多共识”详细解读 在 EKT 多链技术的生态中，实行的是“多链多共识”机制。EKT主链是其中最重要的组成部分。基于EKT提供的多链机制，其他项目可以基于EKT运行一条独立的主链。 一、EKT 的多链架构 EKT 多链技术生态是一个并行多主链的结构，设计了一套独特的多链架构，分为的Token链和DApp链。在这套多链架构中，除了 EKT 的主链外还支持多条并行的主链。 四、多链多共识的优势 相比较目前大多区块链应用平台只能提供一种默认的共识机制，EKT 的‘一链一主币，多链多共识“ 的机制为后来的区块链项目开发提供了很大的便利，可以使用于任何区块链适用的应用场景。
1.2K40发布于 2019-03-22 - 来自专栏喵叔's 专栏
Entity Framework 多对多映射
上一篇文章我们讲解了EF中的一对对多的关系映射，这篇文章我们讲解EF中的多对多（Many-to-Many Relationship）关系映射。 这篇文章我们同样通过一个简单的例子来讲解多对多的关系映射。 通过上面简单的描述，我们可以分析出学生和课程是多对多的关系。这种关系应设在数据库中就需要第三张表来辅助维持。 我们为了实现学生和课程多对多的关系，于是定义了关联表，并且设置了这个关联表中两个外键的名称。 在本例中如果不定义这两个键的名称的话，EF默认使用的名称是 Student_Id 和 Courses_Id； MapLeftKey 是关系键 下面我们编写一段代码来测试一下数据库生成的是否是多对多的关系
1.7K20发布于 2020-09-08 - 来自专栏机器之心
VinciCoder：多模态统一代码生成框架和视觉反馈强化学习，数据代码模型权重已开源
长期以来，多模态代码生成（Multimodal Code Generation）的训练严重依赖于特定任务的监督微调（SFT）。 同时，「SFT-only」的范式在确保代码可执行性和高视觉保真度方面存在显著瓶颈 。 ： 实验结果令人瞩目：VinciCoder 在多个主流多模态代码生成基准上均取得了卓越表现。 研究意义与应用前景 VinciCoder 的研究不仅在技术上取得了重大突破，也为多模态代码生成领域提供了全新的研究范式： 验证 RL 新路径：证明了 “视觉强化学习” 是突破 SFT 瓶颈、提升代码视觉保真度的有效途径 这一思路不仅解决了传统 SFT 范式在可执行性与视觉保真度上的痛点，也为后续通用多模态智能体的研发提供了新的思路。
36610编辑于 2025-11-26
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号