机器学习

【行情复盘】2026年5月12日（周二）生成时间：2026-05-12 20:30 | 数据来源：金融市场数据核心关注：市场整体调整，上证失守4220，量能萎缩，情绪降温

weixin_42963026

3.38 一种基于烧瓶形自动编码器的室内定位数据集蒸馏框架设计文献来源：Dipannyta Nandi a,b, Manjarini Mallik a,c , Chandreyee Chowdhury a ,∗，Designing a flask-shaped autoencoder-based dataset distillation framework for Indoor Localization，Engineering Applications of Artificial Intelligence，2026

哥布林学者

深度学习进阶（二十一）跨窗口的 RPE上一篇我们介绍了 Transformer-XL 的段级递归和记忆缓存机制，也留下了一个问题：Memory 让不同 segment 可以互相看到，但配套的位置编码逻辑却并不完善。

Hermes Agent RL / Evaluation Environment 使用与实现分析先说一个最重要的边界：换句话说，它训练或评测的是更底层的能力：如果你想研究 Hermes 的完整自进化能力，应该重点看 memory、skills、multi-agent delegation 等模块；如果你想研究模型如何在可验证任务里被评测、采样 trajectory、计算 reward、进入 RL 训练管线，才应该看这套环境。

AI时代下加速制造企业创新在AI时代，加速制造企业创新不再是单纯的“机器换人”，而是通过数据、机理、智能体（Agent）的深度融合，重构研发、生产与管理逻辑。要实现“加速”，企业需要从以下四个实战维度切入：

人工智能培训

如何定义和测量“通用具身智能”当四足机器人在零下40度的变电站自主巡检，当灵巧机器人在仓库折叠从未见过的T恤，具身智能正从实验室走向真实场景。而其中，通用具身智能作为“通才”般的存在，承载着让机器像人类一样适应多元场景、自主解决复杂问题的愿景。要推动这一前沿技术落地，首先需明确其核心定义，建立科学的测量体系——这既是技术研发的方向指引，也是产业规范化发展的关键前提。

5.4 分布分析本章学习目标：数据分布描述的是一个数据集中，不同数值出现的“频率”或“密度”——哪些数值出现得多，哪些出现得少。

深圳季连AIgraphX

面向量产的自动驾驶高危场景库构建本文件规定了面向 L4 级量产自动驾驶系统开发与预期功能安全（SOTIF）验证所需的高危场景库的构建原则、技术架构、实施流程与验收标准。

柳叶刀｜参考文献不存在学术文献的可靠性依赖引文完整性。伪造引文（指向不存在的出版物）源于论文工厂、故意学术不端或对人工智能写作工具的不当使用；大语言模型生成的生物医学引文中，30%~69%为伪造。本研究采用自动化引文验证系统，核查了2023—2026年的250万篇生物医学论文、9,710万条带PubMed识别号的引文，在2,810篇论文中检出4,046条伪造引文。受大语言模型普及与论文工厂活动驱动，伪造率飙升12倍以上，从2023年每万篇约4条升至2026年初每万篇56.9条。伪造引文格式规范、难以检测，98.4%的涉事论文未

机器学习之K-Means聚类算法详解K-Means是机器学习中最经典、最广泛使用的聚类算法之一，属于无监督学习范畴。其核心思想是通过迭代优化，将n个数据点划分为k个簇，使得每个簇内的数据点尽可能紧凑相似，而不同簇之间的数据点尽可能远离。本文将从聚类基础概念出发，深入讲解K-Means的算法原理、K值选择策略、初始化方法优化，并结合scikit-learn提供完整的Python实战代码。读者通过本文可以全面掌握K-Means的理论基础与工程实践技巧。

三维重建-光栅投影

最小二乘中的矩阵求导基础总结在最小二乘问题中，经常会遇到含有 XTX^TXT 的表达式，例如：XTCX^T CXTCCTXC^T XCTX

龙侠九重天

C# 调用 TensorFlow：迁移学习与模型推理实战指南TensorFlow 是 Google 开发的开源机器学习框架，广泛应用于深度学习、计算机视觉、自然语言处理等领域。其 Python API 是业界最成熟的深度学习开发接口之一。然而，对于使用 .NET 技术栈的企业和开发者而言，如何在 C# 中利用 TensorFlow 的强大能力一直是个挑战。

mllm指令微调的关键技术MLLM（Multimodal Large Language Model）指令微调的核心目标是：让模型在图像/视频/文档等多模态输入条件下，像聊天模型一样理解自然语言指令，并输出符合人类偏好的、可 grounding 的答案。关键技术可以按下面几类理解。

GraphSAGE 学习笔记GraphSAGE 是一种典型的图神经网络模型，它的全称可以理解为 Graph Sample and Aggregate，也就是“图上的采样与聚合”。

AI大模型面试题：模型求解和优化全解析——梯度下降、BGD、SGD、MBGD、学习率、Batch Size、损失函数、优化器一文讲透导读：这篇文章按真实面试回答顺序来讲，重点覆盖损失函数、梯度下降、BGD/SGD/MBGD、负梯度方向、常见优化难题、Batch Size、学习率以及 Adam / Momentum 等常见优化器。全文尽量不用复杂公式，而是用直觉、图示和工程经验把问题说明白。

Feature Engineering 实战：Pandas + Scikit-learn的机器学习特征工程的完整代码示例Feature engineering 是机器学习 pipeline 里最关键的一环。算法再好，如果输入数据噪声大、不一致或者缺乏有意义的特征，模型表现都不会很好

电科一班林耿超

机器学习大师课第 8 课：端到端项目实战 —— 泰坦尼克号生存预测课程承诺：1 个核心概念（机器学习全流程）+1 个核心思想（特征决定上限，模型逼近上限）+1 个完整可提交的 Kaggle 项目代码。学完你能独立完成任何结构化数据项目，这是求职面试中最有含金量的部分。

BM25 + Embedding 混合检索实现我们做一个标准的：🔎 BM25（关键词召回） + Embedding（语义召回） + 融合排序下面给你一个最小可用版本。

面试题：集成学习是什么？Boosting、Bagging、AdaBoost、随机森林为什么有效，一文讲透集成学习面试高频题｜Boosting｜Bagging｜AdaBoost｜随机森林｜弱学习器｜Bootstrap｜OOB 全拆解