读论文时间！ 多模态模型：CLIP 参考： 论文网址：https://arxiv.org/abs/2103.00020 源码网址：https://github.com/OpenAI/CLIP 【论文&模型讲解】CLIP CLIP 模型解读 深度学习系列37：CLIP模型 介绍 SOTA计算机视觉系统被训练来预测一...

文章笔记： Multitask learning and benchmarking with clinical time series data How to Leverage Multimodal EHR Data for Better Medical Predictions? Improving Medical Predictions by Irregul...

读论文时间！ 官方代码 介绍 深度学习提供了改善医疗服务质量的巨大机会。然而，电子健康记录（EHR）数据的复杂性是深度学习应用的一个挑战。 数据可以分为三种模式： 非时间相关的数据，如患者的年龄、性别等。通常，在住院期间不会改变。 时间序列数据，如生命体征和实验室检查结果。这些数据共享相同的特点，即它们会随着时间而变化，并且在时间上的分布是非均匀的。例如，心率和...

读论文时间！ 代码：github 介绍 重症监护室 (ICU) 患者的健康状况通过电子健康记录 (EHR) 进行监测，这些记录由数字时间序列和冗长的临床笔记组成，并在不规则的时间间隔内进行采集。 图片解释：一个病人ICU停留的示例包括三个特征的MISTS和一系列临床记录。对于MISTS，心率和体温以不同的频率定期监测，并根据医生的决定在不规则的时间间隔内进行实验室检查...

读论文时间！ 参考： 前置知识：孪生网络和三胞胎网络 前置知识：BERT 原论文：Arxiv https://wmathor.com/index.php/archives/1496/ https://zhuanlan.zhihu.com/p/659682364 SentenceTransformers 官方python库文档 ...

参考：https://wmathor.com/index.php/archives/1495/ Siamese Network（孪生网络） 简单来说，孪生网络就是共享参数的两个神经网络。 在孪生网络中，我们把一张图片 X1 作为输入，得到该图片的编码 $G_W(X_1)$。然后，我们在不对网络参数进行任何更新的情况下，输入另一张图片 W2，并得到改图片的编码 $G_W(X_2)$。由...

读论文时间！ 参考： 前置知识：Transfomer BERT 论文逐段精读【论文精读】 https://zhuanlan.zhihu.com/p/509244050 1、标题解释 BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding ...

Encoder-Decoder 我们从编码器-解码器架构开始，在Transfomer出现之前，还是朴素的RNN结构。 RNN的一种结构是 n-to-m，即输入、输出为不等长的序列，也称为 Encoder-Decoder， 这种结构常见于机器翻译中，因为源语言和目标语言的句子往往并没有相同的长度。 首先：Encoder-Decoder结构先将输入数据编码成一个上下文语义向量c；语义向...

读论文时间！ 论文名称： An Image Is Worth 16x16 Words: Transformers For Image Recognition At Scale 论文下载链接：https://arxiv.org/abs/2010.11929 原论文对应源码：https://github.com/google-research/vision_tra...

读论文时间！ 原文名称：Attention Is All You Need 原文链接：https://arxiv.org/abs/1706.03762 参考： https://blog.csdn.net/weixin_42475060/article/details/121101749 https://www.bilibili.co...