机器学习

第九周第四天过拟合是机器学习模型训练过程中常见的问题。当一个模型在训练数据上表现非常好，但在测试数据上表现不佳时，就被认为存在过拟合问题。当模型过于复杂或训练数据量不足时，通常会出现这种情况。为了减少过拟合，研究人员提出了各种技术，如正则化、数据增强和交叉验证。正则化方法在损失函数中引入惩罚项来限制模型参数的大小，从而使模型更简单、更稳定。数据增强通过对原始数据应用旋转、裁剪或添加噪声等操作来增加训练数据的多样性。此外，交叉验证通过反复将数据集拆分为训练集和验证集来评估模型的泛化能力。这些技术可以有效地提高机器学习模

方法思路推广|EG：基于机器学习的岩石坠落危害下桥梁脆弱性量化文章信息收录期刊（分区）：Engineering Geology（1区Top）论文题目：Machine learning enhanced bridge vulnerability quantification under rockfall hazards

【宇树机器人强化学习】(六):TensorBoard图表与手柄遥控go2测试Unitree RL GYM 是一个开源的基于 Unitree 机器人强化学习（Reinforcement Learning, RL）控制示例项目，用于训练、测试和部署四足机器人控制策略。该仓库支持多种 Unitree 机器人型号，包括 Go2、H1、H1_2 和 G1。仓库地址

哥布林学者

高光谱成像基础（完）光谱融合（Spectral Fusion）在上一篇里，我们介绍了光谱重建的相关内容。这一类方法的核心问题是：当光谱信息缺失时，如何从“有限观测”中恢复完整光谱。

高工智能汽车

前沿之声 | 塑造自动驾驶体验的半导体技术本文作者是 TI 汽车系统总监 Mark Ng。他以去年意利雨夜的“压力驾驶”场景切入，用半导体技术视角拆解自动驾驶的变革逻辑。

【杭州线下召开】2026年计算智能与机器学习国际学术会议（CIML 2026）会议日期：2026年3月27–29日📍 会议地点杭州思耐酒店（西湖西溪灵隐店）西湖区·近灵隐寺/西溪湿地

这张生成的图像能检测吗

（论文速读）SFAFBR：一种自监督的人工特征偏置校正框架论文题目：Artificial Feature Bias Rectified by Self-Supervised Learning for Rolling Bearings Fault Diagnosis Under Limited Labeled Vibration Signals（有限标记振动信号下滚动轴承故障诊断的自监督学习修正人工特征偏差）

AEIC学术交流中心

【快速EI检索 | ACM出版】第三届机器学习与智能计算国际学术会议（MLIC 2026）第三届机器学习与智能计算国际学术会议（MLIC 2026）2026 3rd International Conference on Machine Learning and Intelligent Computing

端到端自动驾驶技术路线（E2E）目前学术界和工业界E2E的技术路线大致如下:再再细化而言，考虑到不同厂商和车型，是否纯视觉？有Lidar的话如何融合的？端到端模型的训练范式是怎样的，模仿学习/监督学习/强化学习？Loss的设计有何创新？有哪些辅助loss？有无Training Trick来提升训练和推理效果？数据闭环处理上有何方法? 喂给模型的数据有无数据增强，等等。

斑马日记2026.3.19今天是非常值得记录的一天，我通过查B站,问大模型，终于配置好了深度学习需要的框架和环境，真是太让我激动和开心了，离程序员大师又进了一步。

【建模先锋】

Nature子刊论文复现！基于信号分解和机器学习的锂电池RUL预测单步预测-风速预测模型代码全家桶-CSDN博客半天入门！锂电池剩余寿命预测（Python）-CSDN博客

hjs_deeplearning

文献阅读篇#18：端到端自动驾驶：从经典范式到大模型赋能——综合综述翻译：端到端自动驾驶：从经典范式到大模型赋能——综合综述文章发表于二区Top期刊IEEE INTERNET OF THINGS JOURNAL

UniAD的逻辑，与传统自动驾驶的差异你可以把传统的自动驾驶系统想象成一根**“接力棒”，而把 UniAD 想象成一个“全能大脑”**。在你实习期间接触到的系统，大多是这种：

端到端自动驾驶综述综述文章链接 End-to-end Autonomous Driving: Challenges and Frontiers https://github.com/OpenDriveLab/End-to-end-Autonomous-Driving

对优化器的改进本文章结合之前文章优化问题——局部最小值与鞍点-CSDN博客、自动调整学习率-CSDN博客的各种优化训练的方法，介绍实际工程中常用的优化器

CUDA架构与高性能程序设计：多维网格与数据在前面的章节中，我们已经揭开了 GPU 大规模并行计算的神秘面纱，并成功编写了基础的 CUDA 程序。利用一维的线程网格（Grid）和线程块（Block），我们学会了如何高效地处理线性的数据数组，例如向量加法。然而，当我们把目光从简单的数组投向广阔的现实世界时，会发现一个不可回避的事实：真实世界的计算问题绝大多数都是多维的。

【机器学习模型评估：8种算法对比实战（本篇文章先介绍6种）】将得到的训练数据集和测试数据集通过8种算法来进行模型评估，对比结果得到最优的模型评估数据提取（本文以平均填充值为例子）

落羽的落羽

【Linux系统】信号机制拆解，透过内核三张表深入本质我们之前提到过System V 信号量，请注意：信号和信号量完全没有关系。信号，是外部或其他人或硬件给进程发送的一种异步的事件通知机制。

CVPR 2026的3DGS卷到什么地步？工程语义上探：BrepGaussian如何打通图像到CAD的最后一公里？（Part III 1-3）系列文章全文导航 Part I-III回顾一下：B-rep 的对象不是“多边形片元”，而是带解析几何语义的结构化边界对象，是几何边界 + 组合拓扑共同定义的实体。在工程 CAD 内核中，B-rep 由两层同时构成：