Leohugo🌟

LU分解 矩阵的LU分解是一种将一个矩阵分解为两个特定矩阵的乘积的方法。具体来说，LU分解将一个矩阵\(A\)分解为一个下三角矩阵\(L\)（Lowertriangular matrix）和一个上三角矩阵\(U\)（Uppertriangular matrix）的乘积，即： \[ A=LU \] 其中： \(L\)是一个下三角矩阵，其主对角线上的元素为1，主对角线以下的元素为非零值。 \(U\)是一个上三角矩阵，其主对角线及其以上的元素为非零值。 LU分解的意义 简化线性方程组求解： 对于线性方程组\(Ax=b\)，如果\(A\)可以分解为\(LU\)，则可以将原问题转化为： \[ Ly=b\quad \text{和} \quad Ux=y \] 由于\(L\)和\(U\)是三角矩阵，求解这两个方程组非常高效。 计算行列式： 矩阵\(A\)的行列式可以通过\(L\)和\(U\)的行列式计算： \[ \det(A)=\det(L)\cdot\det(U) \] 由于\(L\)和\(U\)是三角矩阵，它们的行列式就是主对角线元素的乘积。 矩阵求逆： L ...

主要贡献 写完笔记之后最后填，概述文章的内容，以后查阅笔记的时候先看这一段。注：写文章summary切记需要通过自己的思考，用自己的语言描述。忌讳直接Ctrl + c原文。 解决了什么问题？ 低资源场景下有害模因的检测难题： 模因动态变化、数据稀缺：社交媒体中的Meme动态变化，新出现的有害Meme难以快速获取大量标注数据。 提升检测模型性能：提出基于大模态模型（LMM）代理的低资源有害模因检测框架，通过向外学习（多模态信息检索获取相似样本标签作为辅助信号）和向内学习（捕捉模因中隐含的有害信息，更新检测能力），充分利用少量标注样本，提高模型在低资源场景下对有害模因的检测性能 。 #LMM代理 主要创新点在哪里？ 研究思路：利用[[Towards Low-Resource Harmful Meme Detection with LMM Agents.pdf#page=3&selection=35,1,36,9|LLM Agent]]，提出代理驱动的低资源有害模因检测框架 检测方法：融合向外和向内分析策略 ^a23bc0 向外学习通过多模态 ...

数学公式渲染测试 行内公式测试: \(E=mc^2\) 行间公式测试: \[ E = mc^2 \] \[ Att_{i}\left(h^{t}, h^{s}, h^{g}\right)=\sigma\left(\frac{\left[W_{i}^{Q} h^{t}\right]\left[W_{i}^{K} h^{s}\right]}{\sqrt{d_{i}}}\right)\left[W_{i}^{V} h^{g}\right] \]