论文解读

时序论文26｜CAFO：以特征为中心的时序分类可解释性探究在多变量时间序列（MTS）分类中，找到对模型性能起决定性作用的特征是一个关键但具有挑战性的任务。但由于MTS数据复杂且高维、时间动态性等多方面因素，使得这种分析并不容易。

时序论文22｜ICML24港科大：面向多变量不规则的时间序列预测方法论文标题：Irregular Multivariate Time Series Forecasting: A Transformable Patching Graph Neural Networks Approach

【论文解读】EdgeYOLO：一种边缘实时目标检测器（附论文地址）论文地址：https://arxiv.org/pdf/2302.07483这篇文章的标题是《EdgeYOLO: An Edge-Real-Time Object Detector》，由中国北京理工大学的Shihan Liu、Junlin Zha、Jian Sun、Zhuo Li和Gang Wang共同撰写。这篇论文提出了一个基于最新YOLO框架的高效、低复杂度且无锚点的目标检测器，能够在边缘计算平台上实时实现。以下是对论文内容的解读：

旋转目标检测：FCOS: Fully Convolutional One-Stage Object Detection【方法解读】我们提出了一种全卷积单阶段目标检测器（FCOS），以逐像素预测的方式解决目标检测问题，类似于语义分割。目前几乎所有的最先进目标检测器，如RetinaNet、SSD、YOLOv3和Faster R-CNN，都依赖于预定义的锚框。相反，我们提出的FCOS检测器是无锚框的，同时也是无候选区域的。通过消除预定义的锚框集，FCOS完全避免了与锚框相关的复杂计算，如训练期间计算重叠等。更重要的是，我们还避免了与锚框相关的所有超参数，这些参数通常对最终的检测性能非常敏感。

LinK3D: Linear Keypoints Representation for 3D LiDAR Point Cloud【翻译与解读】摘要特征提取和匹配是许多机器人视觉任务的基本组成部分，如 2D 或 3D 目标检测、识别和配准。2D 特征提取和匹配已取得巨大成功。然而，在 3D 领域，当前方法由于描述性差和效率低，可能无法支持 3D LiDAR 传感器在机器人视觉任务中的广泛应用。为了解决这一限制，我们提出了一种新颖的 3D 特征表示方法：3D LiDAR 点云的线性关键点表示 (LinK3D)。LinK3D 的新颖之处在于它充分考虑了 LiDAR 点云的特性（如稀疏性和复杂性），并用其稳健的邻近关键点表示关键点，这在关键点描述中提

华为云开发者联盟

ICDM'23 BICE论文解读：基于双向LSTM和集成学习的模型框架本文分享自华为云社区《ICDM'23 BICE论文解读》，作者：云数据库创新Lab。本文《Efficient Cardinality and Cost Estimation with Bidirectional Compressor-based Ensemble Learning》是由华为云数据库创新Lab联合电子科技大学数据与智能实验室发表在顶会ICDM’23的长文。ICDM是数据挖掘领域顶级学术会议之一。本届会议共收到投稿1003篇，其中录用长文94篇，长文录取率约为9.37%，总体录取率约为19.9

合合技术团队

【论文解读】Faster sorting algorithm一、简要介绍基本的算法，如排序或哈希，在任何一天都被使用数万亿次。随着对计算需求的增长，这些算法的性能变得至关重要。尽管在过去的2年中已经取得了显著的进展，但进一步改进这些现有的算法路线的有效性对人类科学家和计算方法都是一个挑战。在这里，论文展示了人工智能是如何通过发现迄今为止未知的算法路线来超越目前的最先进的方法。为了实现这一点，论文将一个更好的排序程序制定为单人游戏的任务。然后，论文训练了一个新的深度强化学习代理AlphaDev来玩这个游戏。AlphaDev从零开始发现了一些小型排序算法，它优于以前已