分类目录归档：人工智能
“ML workload”指的是机器学习（Machine Learning）工作负载，即运行机器学习任务所需要的计算资源、数据处理量以及模型训练和推理等操作的综合需求，以下是具体介绍：
无监督文本摘要（Unsupervised Summarization）是一种自然语言处理任务，旨在在没有人工标注的摘要数据（如没有给定摘要样本作为训练参考）的情况下，自动从文本中提取或生成摘要。它主要依赖文本自身的特征，如词频、句子位置、语义相似性等来确定文本的关键内容，从而生成简洁、能够代表原文主要思想的摘要。
主要方法
定义与概念
在不同领域的应用及体现
自然语言处理（NLP）
离散表示（Discrete Representation）是一种将数据或信息表示为离散值的方式。与连续表示（如实数范围内的数值）相对，离散表示的取值是有限个或者可数无穷个孤立的值。例如，在数字电路中，信号只有0和1两种状态，这就是一种离散表示；在自然语言处理中，词汇表中的单词可以看作是离散的符号，每个单词就是一个离散的表示单元。
在不同领域的应用及示例
基本原理：语音转换通常基于对语音信号的声学特征分析和合成。首先，从原始语音信号中提取出声学特征，如基频（Fundamental Frequency，F0）、梅尔频率倒谱系数（Mel - Frequency Cepstral Coefficients，MFCC）、谐波结构等。这些特征可以描述语音的音高...
当表示（representation）包含不同方面的信息时，是指这种表示能够综合地捕捉到事物多个维度的特征。以图像为例，一个良好的图像表示不仅包含物体的形状信息，还可能包含颜色、纹理、位置等不同方面的内容。在自然语言处理中，文本的表示可能涵盖词汇语义、语法结构、情感倾向等多个方面的信息。
在不同领域的体现
重要性：通过特征解缠，可以更好地理解数据的内在结构。对于生成模型来说，能够生成更具可控性的样本。比如在生成人脸图像时，如果实现了特征解缠，就可以单独控制面部表情、发型、肤色等特征。在可解释性方面，解缠后的特征有助于解释模型的决策过程，因为可以明确每个特征对最终结果的贡献。
实现方法
基本原理是，编码器将输入数据进行压缩，把高维的输入数据映射到一个低维的潜在空间（Latent Space），得到一个紧凑的表示，这个表示被称为编码（Code）。然后解码器将这个编码再映射回原始数据空间，尝试重构出与原始输入相似的输出。例如，对于一张图像，编码器会把图像的像素信息等转换为一个低维的向量，解码器再根据这个向量生成一张新的图像，目标是让这张新图像尽可能接近原始图像。
网络结构
在机器学习（ML）领域，“unrolling”通常是指将一个具有递归或循环结构的模型或算法展开成一种更易于分析、理解和计算的形式。这种展开操作有助于深入了解模型的内部工作机制、优化训练过程以及改进模型结构。
在循环神经网络（RNN）中的应用
以下是关于自监督学习框架（Self-Supervised Learning Framework）的详细介绍：