Pretitle:CalligraphyFontGenerationviaExplicitlyModelingLocation-AwareGlyphComponentDeformationssource:TMM2023paper:https://ieeexplore.ieee.org/document/10356848code:None关键词:generativeadversarialnetworks,imageprocessing,imagesynth

目录概符号说明HomophilyonFeatureAspect[1]ChenY.,LuoY.,TangJ.,YangL.,QiuS.,WangC.andCaoX.LSGNN:Towardsgeneralgraphneuralnetworkinnodeclassificationbylocalsimilarity.2023.[2]JinD.,WangR.,GeM.,HeD.,LiX.,LinW.andZ

[集训队互测2023]树哈希题解报告/bx/bx/bxzky！！！题意给定常数\(q\)，定义一棵以\(1\)为根的有根树\(T\)的\(s(T)\)为\(T\)中本质不同的子树数量，定义其权值为\(q^{s(T)}\)。给定\(n\)，对于\(i=1,\dots,n\)求所有大小为\(i\)的有标号有根树的权值之和对\(P\)

就准备这样面对你的NOI吗？问题：对拍，极限数据，构造数据。不要老觉得过了大洋里就可以万事大吉跑路了。自己觉得写不完的东西，一定不要上来就写。读题。读题。读题。实在改不了就每题都先写个暴力验证题意。学会放题。一个题实在想不明白就退而求其次。保持冷静。尽量一遍写对

这篇文章设置的问题是：考虑长尾分布的训练集下，对测试集上的OOD样本进行检测。作者在训练集中引入了openset样本学习异常表征，以OCL（OutlierClassLearn）为baseline，训练时引入prototype方法，推理时对logits进行调整校准。问题背景DNNs会把OOD（out-of-distribution）样本误分类为ID（in-di

题意：一个长为\(n\)的序列\(a\)，初始全为零。\(n\)个操作，第\(i\)个操作形如给\(a_1,\cdots,a_{x_i}\)加上\(y_i\)。\(m\)次查询，给定\(l,r\)，求对\(a\)执行第\(l\simr\)个操作后数列\(a\)的全局最大值。\(1\len,m\le5\cdot10^5,1\lex_i,|y_i|\len,1\lel\ler\len\)，时间限

ONTHETRAININGANDGENERALIZATIONOFDEEPOPERATORNETWORKS(关于深度算子网络的训练和泛化)remark：相较于之前的文章，这篇更新了两个重要定理的证明！算子网络DeepONet由两个网络构成，即trunk网络和branch网络，通常是同时训练这两个网络，这相当于是在高维空间中解决复杂的优

Definition3.4.1.For\(P\in\mathbb{P}_F\)let\(\mathcal{O}_P^{\prime}:=\operatorname{ic}_{F^{\prime}}\left(\mathcal{O}_P\right)\)denotetheintegralclosureof\(\mathcal{O}_P\)in\(F^{\prime}\).Thentheset\[\mathcal{C}_P:=\

这篇文章与ICML2022的Open-sampling是同一个作者，方法一模一样，只是问题的场景变为噪声标签学习，Open-sampling是长尾问题的场景，可参见写的这篇blog。这两篇文章大致做法完全相同：对biased数据集引入开集数据，在每个epoch分配均匀的闭集标签。如果是longtaileddata，还涉及不平衡问题，

前面是题解，后面是垃圾话。T1P1541[NOIP2010提高组]乌龟棋没脑子直接设\(f_{p,i,j,k,w}\)，为走到\(p\)，还剩\(1,2,3,4\)牌各\(i,j,k,w\)张，\(9\cdot10^8\)，发现到一个点只要三种牌的数量确定，最后一种也确定了，所以直接设\(f_{p,i,j,k}\)表示三种牌的就行，大力DP即可。T

目录概符号说明S4代码GuA.,GoelK.andReC.Efficientlymodelinglongsequenceswithstructuredstatespaces.NeurIPS,2022.概Mamba系列第三作.符号说明\(u(t)\in\mathbb{R}\),输入信号;\(x(t)\in\mathbb{R}^N\),中间状态;\(y(t)\in\mathbb{R}\),输

GraphTransformerforRecommendation论文阅读笔记Abstract​ 本文提出了一种将生成式自监督学习与图转换器架构集成的推荐系统中的表示学习新方法。我们强调了高质量的数据增强与自监督借口相关的任务对提高性能的重要性。为此，我们提出了一种新方法，通过合理感知生成式SSL自

A.同构判定鸭既然要输出字典序最小的坏串，直觉是它肯定不长（证明不会，看官解），考虑确定坏串的长度。设\(S_{u,k}\)表示从\(u\)出发长度为\(k\)的路径的配对串的集合，我们要做的就是找到最小的\(k\)，使得\(\bigcup{S_1}_{u,k}\ne\bigcup{S_2}_{u,k}\)。Hash即可。确

GiantGraph首先\(10^{18}\)很大，所以我们优先选取\(x+y+z\)最大的点。按\(x+y+z\)从大到小选择即可。但是时间复杂度为\(\mathcalO(n^3)\)。给边定向，边从小连到大，那么整个图就是一个DAG。发现对于每个点\(i\):如果\(i\)的出边被选了，则不能选择\(i\)。如果都

SCP-3125，逃亡者TypicalPartyinDorm考虑对于一个子串\(s[L,R]\)，在给定\(S\)的情况下判断会产生多少种回文串。可以注意到，首先\(S\)需要包含某一个特定集合\(T\)，然后会有\(|S|^{cnt}\)的贡献。怎么做？对于每个集合维护\(ccnt\)，\(\mathcal{O}(17\times2^{17}\times

SCP-CN-3999，跨越天堂。P10144如果一个区间\([L,R]\)满足条件，则\(\max(a_i,h-a_i)\)在\([L,R]\)上单谷。观察到能让\(\max(a_i,h-a_i)\)和\(\max(a_{i+1},h-a_{i+1})\)变号的\(h\)分割点只有\(\mathcal{O}(n)\)个，于是可以用一种类似于扫描线的方法记录每一个符

SCP-6001，阿瓦隆。CF1821FTimber假如我已经知道了有哪些点放了树，如何判定这个点集是否合法？这个显然，从左往右贪心，能往左倒就往左倒。令这样得到的区间分别是\([l_1,r_1],\cdots,[l_m,r_m]\)，那么我们换个角度，通过计数这些区间的方案数来计数点集的方案数。若\(r_i\gel_{i

Pretitle:DualVector:UnsupervisedVectorFontSynthesiswithDual-PartRepresentationaccepted:CVPR2023paper:https://arxiv.org/abs/2305.10462code:https://github.com/thuliu-yt16/dualvector关键词:Unsupervison,VectorFontSynthesis,TrueTypeFontConv

Pretitle:FontDiffuser:One-ShotFontGenerationviaDenoisingDiffusionwithMulti-ScaleContentAggregationandStyleContrastiveLearningaccepted:AAAI2024paper:https://arxiv.org/abs/2312.12142code:https://github.com/yeungchenwa/FontDiffuserref:

目录概符号说明经验性的结果NoisyModelLearning代码ChenH.,WangJ.,ShahA.,TaoR.,WeiH.,XieX.,SugiyamaM.andRajB.Understandingandmitigatingthelabelnoiseinpre-trainingondownstreamtasks.概本文讨论如果预训练模型在训练的时候存在噪声,会

A.白鸽是否有解即判欧拉回路，判每个结点的度数是否都是偶数和有边的的结点是否与\(1\)号结点连通即可。因为最后形成的是一个封闭图形，大可把\(x\)轴正方向看做一条射线，我们每由上至下穿过这条射线会对答案产生\(1\)的贡献，反之，从下至上穿过这条射线就会对答案产生\(-1\)

GraphEdit:LargeLanguageModelsforGraphStructureLearning论文阅读笔记读一下图结构学习的论文，找找灵感Abstract​ 图结构学习（GSL）侧重于通过生成新的图结构来捕获图结构数据中节点之间的内在依赖性和交互作用。许多现有的GSL方法严重依赖于显式的图结构信息作为监督信

目录概SinkHornoperatorMeanG.E.,BelangerD.,LindermanC.andSnoekJ.Learninglatentpermutationswithgumbel-sinkhornnetworks.ICLR,2018.概本文提出了一种自动学习permutations的方法.SinkHornoperatorSinkHornoperator的操作流程如下:\[S^{0}(

多任务和目标条件强化学习第一章引言1.1多任务学习的动机在之前的课程中,我们学习了强化学习的基本概念和算法,如模仿学习、策略梯度、Q学习等。然而,这些方法在实际应用中往往面临着样本效率低下的挑战。收集大量高质量的互动数据是昂贵且耗时的,特别是对于复杂的决策

目录概符号说明MotivationLGMRecLocalGraphEmbeddingGlobalGraphEmbeddingFusion代码GuoZ.,LiJ.,LiG.,WangC.,ShiS.andRuanB.LGMRec:Localandglobalgraphlearningformultimodalrecommendation.AAAI,2024.概本文采用分解的方法进行对ID和模态信