「分享了一批文献给你，请您通过浏览器打开https://www.ivysci.com/web/share/biblios/D2xqz52xQJ4RKceFXAFaDU/您还可以一键导入到ivySCI文献管理软件阅读，并在论文中引用」本文主旨：本文提出了一个系统的框架来利用基于Transformer的语言模型来检测软件漏洞。该框架包括以下几个步骤：1.源代码翻译：将C/C++高级编程语言的源代码转换

文章主旨：研究了Codex自动生成的程序中的错误，并探讨了现有的程序修复（APR）工具以及新发布的Codex-e是否能够修复自动生成的有缺陷的程序。现在基于大语言模型，输入自然语言，生成代码的应用非常普遍。但是生成的代码正确率很低，文章以GPT-3模型的后代-Codex模型，为例，试图利用自动化程序修复（APR）技术来修复Codex产生的代码错误。自动化修复技术接受一个有缺陷的程序和一个正确性规范

摘要当一组自利的用户在分布式系统中共享多个资源时，我们面临资源分配问题，即所谓的负载均衡问题。特别地，负载均衡被定义为将负载分配到分布式系统的服务器上，以便最小化作业响应时间并提高服务器的利用率。在本文中，研究了一个由有限数量的服务器和有限数量的用户组成的分布式系统中的负载均衡问题。这里考虑的负载均衡问题是一个双目标问题，具有两个高度可能冲突的目标：（i）最小化作业响应时间(ii)提供服务器的公平

代码：https://github.com/mit-han-lab/flatformer论文：https://arxiv.org/abs/2301.08739[FlatFormer.pdf]Flatformer是对点云检测中的backbone3d部分的改进工作，主要在探究怎么高效的对点云应用transformer具体的工作如下：一个缩写：**PCTs即pointcloudtransformers*

MP-Former:Mask-PilotedTransformerforImageSegmentationhttps://arxiv.org/abs/2303.07336mask2former问题是：相邻层得到的掩码不连续，差别很大denoisingtraining非常有效地稳定训练时期之间的二分匹配。去噪训练的关键思想是将带噪声的GT坐标与可学习查询并行地送到Transformer解码器中，并训

论文名称：CloudWorkloadTurningPointsPredictionviaCloudFeature-EnhancedDeepLearning摘要云工作负载转折点要么是代表工作负载压力的局部峰值点，要么是代表资源浪费的局部谷值点。预测这些关键点对于向系统管理者发出警告、采取预防措施以实现高资源利用率、服务质量（QoS）和投资收益至关重要。现有研究主要只关注于工作负载未来点值的预测，而没

2019年7月发表在顶会SIGMOD上的论文《vChain:EnablingVerifiableBooleanRangeQueriesoverBlockchainDatabases》，来自香港浸会大学。1论文解决的问题如果想查询区块链中的数据，一种可行的做法是用户可以维护整个区块链数据库，并在本地查询数据。但是，通常区块链中所存储的数据量很大，下载完整的数据到本地需要很大的存储空间和网络带宽。另一

【论文阅读----DDI（1）】MUFFIN:multi-scalefeaturefusionfordrug–druginteractionprediction_杨华霖的博客-CSDN博客论文连接：(PDF

八月啦！小李月更来了！时间过得好快好像一个夏天就要过了！这个夏天因为留校感觉压力比以往来得多也经历了比以往更苦的事只希望努力不会白费都值得！论文名称：《TRANSITIVETRANSFERSPARSECODINGFORDISTANTDOMAIN》论文地址：https://ieeexplore.ieee.org/document/9415021论文参考阅读：https://blog.csdn.net

1.摘要众所周知，过度参数化的深度神经网络(DNNs)是一种表达能力极强的函数，它甚至可以以100%的训练精度记忆随机数据。这就提出了一个问题，为什么他们不能轻易地对真实数据进行拟合呢。为了回答这个问题，研究人员使用傅里叶分析来研究深层网络。他们证明了具有有限权值(或训练有限步长)的深度网络天生偏向于表示输入空间上的平滑函数。具体地说，深度ReLU网络函数的特定频率分量(k)的衰减速度至少与O(k

论文题目：通过生成式预训练提高语言理解能力GPT的全称：GenerativePre-trainedTransformer。Generative是指GPT可以利用先前的输入文本来生成新的文本。GPT的生成过程是基于统计的，它可以预测输入序列的下一个单词或字符，从而生成新的文本。【参考自春日充电季——ChatGPT的GPT是什么意思】机翻：自然语言理解包括一系列不同的任务，如文本蕴含、问题回答、语义相

论文名称：CARD:ACongestion-AwareRequestDispatchingSchemeforReplicatedMetadataServerCluster摘要复制元数据服务器集群（RMSC）在分布式文件系统中非常高效，同时面对数据驱动的场景（例如，大规模分布式机器学习任务）。然而，考虑到成本效益和系统利用率，实践中通常会限制集群规模。在这种情况下，由于客户端对拥塞不知情的行为和非智

0x0.前言这篇论文对应的链接为：https://openreview.net/pdf?id=tuzTN0eIO5，最近被ICLR2024接收，但不少AIInfra的同行已经发现了这个工作的价值，并且已经开源在https://github.com/sail-sg/zero-bubble-pipeline-parallelism，在一些AIInfra相关的地方也存在一些讨论和介绍。比如https:/

InstantID:秒级零样本身份保持生成理解摘要Introduction贡献RelatedWorkText-to-imageDiffusionModelsSubject-drivenImageGenerationIDPreservingImageGenerationMethod实验定性实验消融实验与先前方法的对比富有创意的更多任务新视角合成身份插值多身份区域控制合成结论和未来工作project：

1.代码地址GitHub-cvg/limap:Atoolboxformappingandlocalizationwithlinefeatures.2.项目主页3DLineMappingRevisited3.摘要提出了一种基于线的重建算法，Limap，可以从多视图图像中构建3D线地图，通过线三角化、精心设计的评分和track构建以及利用线的重合，平行性和正交性等结构先验来实现的，可以与现有的基于点的

论文地址：https://arxiv.org/pdf/1502.03044.pdf参考代码：https://github.com/parksunwoo/show_attend_and_tell_pytorch（Reference部分内容更丰富）《Show,AttendandTell:NeuralImageCaptionGenerationwithVisualAttention》是2016年发表在c

这篇文章是对镜头模糊场进行表征学习的研究，镜头的模糊场也就是镜头的PSF分布，镜头的PSF与物距，焦距，光学系统本身的像差都有关系，实际的PSF分布是非常复杂而且数量也很多，这篇文章提出用一个神经网络MLP来进行表征学习，相当于将镜头的PSF分布都压缩在了一个神经网络模型里面。Abstract光学模糊是光学镜头的固有性质，因为实际镜头都存在各种各样的像差，光学模糊与物距，焦距，入射光线的波长都有关

论文名称：BenchmarkingHashingAlgorithmsforLoadBalancinginaDistributedDatabaseEnvironment摘要现代高负载应用使用多个数据库实例存储数据。这样的架构需要数据一致性，并且确保数据在节点之间均匀分布很重要。负载均衡被用来实现这些目标。几乎所有负载均衡系统的核心都是哈希算法。自经典一致性哈希引入以来，已经为此目的设计了许多算法。负

proposal+classification目前fullysupervised动作定位算法可以分为两类：top-down和bottom-up。top-down方法通过滑动不同尺度的窗口获取proposals，它的缺陷在于生成的proposals通常在时间上不够精确或不够灵活，无法涵盖不同持续时间动作实例。bottom-up方法分为两个阶段（1)定位时间边界并将边界合并为提案；(2）使用构造的提案

原文：Ajobschedulingalgorithmbasedonparallelworkloadpredictiononcomputationalgrid概述一般来说，计算网格由大量的计算节点组成，其中一些由于计算需求的地理分布不均而处于空闲状态。这可能会导致工作负载不平衡问题，影响大规模计算网格的性能。为了平衡计算需求和计算节点，我们提出了一种基于计算节点工作负载预测的作业调度算法。我们首先分

名称：AnAdaptiveMetadataManagementSchemeBasedonDeepReinforcementLearningforLarge-ScaleDistributedFileSystemsI.引言如今，大型集群文件系统的规模已达到PB甚至EB级别，由此产生的数据呈指数级增长。系统架构师不断设计和优化技术和方法，以向用户提供理想的服务。在这种情况下，元数据管理在提高系统性能中扮

AssessingthePerformanceofInteractiveMultiobjectiveOptimizationMethods:ASurvey作者：BEKIRAFSAR、KAISAMIETTINEN、FRANCISCORUIZ期刊：ACMComput.、2021DOI：10.1145/3448301引言多目标优化问题需要同时优化几个相互冲突的目标函数，通常没有任何解决方案可以使所有目标

因为我的方向是场景图，所以仅介绍这篇论文中有关场景图的内容，不涉及VQA。(a)FeatureExtraction先对输入图像进行目标检测，每个proposal的视觉特征x包括以下特征：ROIAlignfeature(2048维)，空间feature(8维)，论文这里说视觉特征不局限于bbox，实例分割特征和全景特征也可以。(b)构建可学习的对称矩阵S（1）S的计算方法如下：f(xi,xj)称为对

Aninteractivemethodforsurrogate-assistedmulti-objectiveevolutionaryalgorithms辅助代理多目标进化算法的交互式方法作者：DinhNguyenDuc、LongNguyen、KienThaiTrung期刊：IEEEInternationalConferenceonKNOWLEDGEANDSYSTEMS、November2020D

InteractiveMultiobjectiveOptimization：AReviewoftheState-of-the-Art作者：BinXin、LuChen、JieChen期刊：IEEEAccess、2018DOI：10.1109/AXXESS.2018.2856832摘要交互式多目标优化(IMO)旨在通过决策者DM逐步提供的偏好信息找到决策者最喜欢的解决方案。在此过程中，决策者可以调整他

TamingTransformersforHigh-ResolutionImageSynthesis记录前置知识AbstractIntroductionRelatedWorkMethodLearninganEffectiveCodebookofImageConstituentsforUseinTransformersLearningtheCompositionofImageswithTransfo

Brain–ComputerEvolutionaryMultiobjectiveOptimization:AGeneticAlgorithmAdaptingtotheDecisionMaker作者：RobertoBattiti、AndreaPasserini期刊：IEEETRANSACTIONSONEVOLUTIONARYCOMPUTATION、OCTOBER2010DOI：10.1109/TEV

TC2022Paper，元数据论文阅读汇总“multiplemetadataserver(MDS)”多个元数据服务器“localitypreservinghashing(LPH)”局部保持哈希“MultipleSubsetSumProblem

EuroSys2022Paper分布式元数据论文汇总问题在不同的工作负载下，没有单一的Linux文件系统在普通SSD上始终表现良好。我们将一个完备的文件系统定义为在各种微基准测试和应用程序中，没有一个工作负载的性能低于最佳文件系统性能的30%，并且大多数工作负载实现至少85%的最佳文件系统性能。在普通SSD上没有一个文件系统是完备的。现有文件系统局限性BetrFS的问题顺序写入和过多的文件数据拷贝

元数据优化论文阅读GUFI:Fast,SecureFileSystemMetadataSearchforBothPrivilegedandUnprivilegedUsersSC2022Paper论文笔记针对元数据查询的优化

【论文阅读笔记】分钟级别的高质量文本到3D角色生成AbstractIntroductionMethodLL/VM解析人脸面部属性并生成根据密集地标重建face/head形状几何生成纹理生成纹理提取漫反射反照率

WURSTCHEN：用于大规模文本到图像扩散模型的高效架构摘要贡献方法训练推理实验结论附录附录A附录B附录C附录D附录E这篇文章提出了一个高效的用于文本到图像生成模型架构，整体思路比较直白，在不损失图像生成质量的情况下，相比于现有T2I模型（SD1.4，SD2.1等）大大节约了成本。附录部分给了一些有趣的东西，比如FID的鲁棒性整篇文章还有点疑惑，比如阶段B的训练，使用的模型；节省成本主要是在说C

Advancesin3DGeneration:ASurvey挖个坑，近期填完摘要time：2024年1月31日paper：arxiv机构：腾讯挖个坑，近期填完摘要生成3D模型位于计算机图形学的核心，一直是几十年研究的重点。随着高级神经表示和生成模型的出现，3D内容生成领域发展迅速，能够创建越来越高质量和多样化的3D模型。该领域的快速增长使得很难跟上所有最近的发展。在本次调查中，我们旨在介绍3D生成

论文标题：ASelf-OptimizedGenericWorkloadPredictionFrameworkforCloudComputing概述准确地预测未来的工作负载，如作业到达率和用户请求率，对于云计算中的资源管理和弹性非常关键。然而，设计一个通用的工作负载预测器，并使其适用于各种类型的工作负载，具有很大的挑战性，因为工作负载的种类繁多且随着时间动态变化。由于这些挑战，现有的工作负载预测器通

Text-to-SQLEmpoweredbyLargeLanguageModels:ABenchmarkEvaluation大语言模型助力Text-to-SQL：一项基准评估DaweiGao∗[email protected]∗[email protected]

SCI论文写作训练营笔记汇总02_英文科技论文阅读与解析持续创作，加速成长！

论文地址：https://arxiv.org/pdf/2312.05799v1.pdf源码地址：https://github.com/yanzq95/SGNet概述  深度图的图像引导超分辨率在各个领域有着广泛的应用。但是，复杂的成像环境会导致深度图的结构边缘变得模糊。如图2所示，从梯度图可以看出，它能够很好地表现出图像的结构信息。从频谱图可以看出，高分辨率的深度图和RGB图像都包含了丰富的高频和

论文arxiv.org/pdf/2306.06894.pdfhttps://arxiv.org/pdf/2306.06894.pdf代码（使用的是华为mindspore框架）Shuijing2018/GLAC_Mindspore(github.com)https://github.com/Shuijing2018/GLAC_Mindspore最近的一项研究表明，通过利用未标记数据，可以在类别转移条

Paper:Transformer-XL:AttentiveLanguageModelsBeyondaFixed-LengthContext重点关注论文中的相对位置编码及提高融合了相对位置信息的attentionscore的计算效率的部分。AbstractTransformer具有学习长依赖的能力，但受限于语言模型固定长度上下文的限定。本文提出的Transformer-XL神经网络架构可以在不打破

OkunoA,HadaT,ShimodairaH.Aprobabilisticframeworkformulti-viewfeaturelearningwithmany-to-manyassociationsvianeuralnetworks[C]//InternationalConferenceonMachineLearning.PMLR,2018:3888-3897.预备知识这部分主要是为了介

Avisualizedhuman-computerinteractiveapproachtojobshopscheduling作者：DongH.Baek、SangY.OH、WanC.Yoon期刊：COMPUTERINTEGRATEDMANUFACTURING、1999网络资源：Avisualizedhuman-computerinteractiveapproachtojobshopscheduli

TimeSeriesContrastiveLearningwithInformation-AwareAugmentations摘要背景：在近年来，已经有许多对比学习方法被提出，并在实证上取得了显著的成功。尽管对比学习在图像和语言领域非常有效和普遍，但在时间序列数据上的应用相对较少。对比学习的关键组成部分：对比学习的一个关键组成部分是选择适当的数据增强（augmentation）方式，通过施加一些先

本文是对Transformer-Attentionisallyouneed论文阅读-CSDN博客以及【李宏毅机器学习】Transformer内容补充-CSDN博客的补充，是对相关代码的理解。

介绍具身智能可粗略定义为，智能体（可以是生物或机械），通过与环境产生交互后，通过自身的学习，产生对于客观世界的理解和改造能力。具身智能假设，智能行为可以被具有对应形态的智能体通过适应环境的方式学习到。因此，地球上所有的生物，都可以说是具身智能。但就目前而言，具身智能是将视觉、语言和推理等传统智能概念融入人工智能体中，以帮助解决虚拟环境中的人工智能问题。具身智能模拟器具身智能模拟器具身AI模拟器概述

论文：MapReduce:SimplifiedDataProcessingonLargeClustersJeffreyDeanandSanjayGhemawatGooglehttps://pdos.csail.mit.edu/6.824/papers/mapreduce.pdfMapReduce是一种分布式系统中处理大数据方法。他提出是在2004，jeffdean和SanjayGhemawat的作

论文名称：MapReduce:SimplifiedDataProcessingonLargeClusters翻译的效果不是很好，有空再看一遍，参照一下别人翻译的。MapReduce:SimplifiedDataProcessingonLargeClusters中文翻译版(转)-阿洒-博客园(cnblogs.com)概要MapReduce是一种处理和生成大数据集的编程模型和相关实现。用户可以指定一个

一特征选择（featureselection）的简介  我们现在正处在大数据的时代，大量的高维数据在各种领域中无处不在，如社交媒体、医疗保健、生物信息学和在线教育。  当数据挖掘和机器学习算法应用于高维数据时，一个关键问题被称为维数诅咒：数据在高维空间中变得更加稀疏，对为低维空间设计的算法产生不利影响的现象。用一个例子表示就是如果用one-hot编码来对文章进行编码（即一篇文章为一个正交向量），因

orz相关文章目录：【论文阅读】StegaStamp:InvisibleHyperlinksinPhysicalPhotographs文章目录前言1.内容简介2.摘要浏览3.图片、表格浏览4.引言浏览自由阅

目录论文使用方法weightdecayMaxNorm如果使用原来的代码报错的可以看下面这个论文问题：真实世界中普遍存在长尾识别问题，朴素训练产生的模型在更高准确率方面偏向于普通类，导致稀有的类别准确率偏低。key:解决LTR的关键是平衡各方面，包括数据分布、训练损失和学习中的梯度。文章主要讨论了三种方法：L2normalization,weightdecay,andMaxNorm本文提出了一个两阶

目录一、Article:文献出处（方便再次搜索）（1）作者（2）文献题目（3）文献时间（4）引用二、Data:文献数据（总结归纳，方便理解）（1）背景介绍（2）目的（3）预置知识（4）主要实现手段4.1overview4.2MPGraph的工作流程4.3阶段转换检测器PhaseTransitionDetector4.4多模态访存预测器Phase-SpecificMulti-ModalityPred