高等数学（数一）
- 2024考研「高等数学」笔记&复习要点。
极限
导数
中值定理
微分方程
积分
积分应用
无穷级数
幂级数
傅里叶级数
多元微分
二重积分
多重积分
三重积分
曲线积分
多重积分应用
曲面积分
原创大约 21 分钟
友情链接
欢迎找我交换友链
NSSCTF
综合性CTF攻防训练平台
计算机网络
- 2024考研「计算机网络」笔记&复习要点。
综合考点
传输时间、速率
- 时延积带宽（第一个比特到终点时已经发出了多少） = 传播时延 * 带宽
- 发送时延：分组长度/带宽
- 传播时延：距离/电磁波速率
- 处理时延：存储转发所需时间
- 排队时延：路由器中排队等待时间
- 总时延
- *发送时延 + 发送时延 + 传播时延 + 中间设备*（发送时延 + 传播时延）
- 也就是前n-1个分组一直发+最后一个分组的完整传播时间
原创大约 20 分钟
原创大约 5 分钟
英语一
- 2024考研「英语一」笔记&复习要点。
长难句
找主干
看标点，做判断（聚焦）
- 逗号：若介词短语、从句、非谓语在前，则主干在后。反之则主干在前
- 分号：起并列作用，则主干在前，后面为并列句。
- 冒号：补充/说明/解释，即同位语，则主干在前。
- 破折号：同冒号。
- 两个破折号：中间一定为插入语。
- 两个逗号：中间为插入语也可能是主干，得看前后有没有主干。
原创大约 9 分钟
线性代数（数一）
- 2024考研「线性代数」笔记&复习要点。
矩阵
向量
方程组
特征值
二次型
向量空间
原创大约 3 分钟
考研政治
- 2024考研「考研政治」笔记&复习要点。
马原
马克思主义关于无产阶级和人类解放的科学
- 马特征
- 科学、人民、实践、发展
- 马当代价值
- 认识工具、行动指南、科学真理
- 著作
- 工人圣经：《资本论》
- 百科全书：《反杜林论》
- 马思问世/最广：《共产党宣言》
- 历史唯物主义：《德意志意识形态》
- 唯心到唯物、前提/革命到共产转变：《德法年鉴》
- 唯物史观进步：《神圣家族》
- 天才文件：《关于费尔巴哈的提纲》
- 自然科学/辩证：《自然辩证法》
- 政治经济：《政治经济学批判》
- 第一个无产阶级政党：共产主义者同盟
原创大约 32 分钟
概率论&数理统计（数一）
- 2024考研「概率论&数理统计」笔记&复习要点。
概率论
一维随机变量
二维随机变量
数字特征
大数定理
数理统计
三大分布
正态总体抽样分布
估计
置信区间
- 本质就是区域面积为 $\alpha$
注意是双侧还是单侧
原创大约 4 分钟
现代密码学
- 2024研究生课程「现代密码学」笔记&复习要点。
现代密码学关注的安全属性和攻击方式
安全属性
- 信息安全关注CIA，密码学安全关注五要素
- 保密性（Confidentiality）：保证信息被授权者使用而不泄露给未授权者。即授权者无法获取明文；
- 完整性（Integrity）：数据完整：数据不被未授权篡改或损坏。系统完整：系统不被未授权操控；
- 可用性（Availability）：保证信息和系统随机对授权者可用，不应出现对授权者拒绝或被未授权者滥用；
- 认证性（Authenticity）：消息认证：认证消息来源和消息完整性。身份认证：保证通信实体真实性；
- 不可否认性（Non-repudiation）：发送接受双方不能否认已传输完成的消息。
原创大约 9 分钟
Deep Learning for Low-Frequency Extrapolation of Multicomponent Data in Elastic FWI
-
FWI的成功强依赖于一个准确的初始模型，在弹性体制下尤为重要——由于S-波波长较短，弹性FWI中的周期跳跃现象比声波FWI更严重。本文中，作者通过提出合成多分量弹性低频地震记录，并将这些“人工” 低频数据作为弹性FWI的频率扫描种子，进一步扩展了外推弹性FWI的工作。作者的方案包含深度学习——可以在两个训练数据集上训练同一个卷积神经网络（CNN），一个是粒子速度的垂直分量，另一个是水平分量，或将两个分量放在一起训练，以推断2D 弹性 FWI的低频弹性数据。CNN架构通过空洞卷积获得大感受野。在Marmousi2上的实验表明从 Hz 以上的带限（band-limited）数据推断出的 Hz 低频数据为P波和S波速度的弹性 FWI 提供了良好的初始模型。 此外，我们还研究了网络从声波数据到弹性数据的泛化能力，在弹性测试数据上， 通过弹性模拟收集训练数据集比声学模拟显示出更好的外推精度，即更小的泛化差距。
原创大约 19 分钟
Overcoming catastrophic forgetting in neural networks
-
arxiv: 1612.00796
-
序列化的学习方法对AI发展至关重要。而目前连接型的神经网络存在灾难性遗忘问题，本文提出一种方式可以克服这个问题，使得训练的网络能够长时间保存知识。该方法通过选择性地减缓任务的重要程度来记住旧任务。通过MNIST数据集的分类任务和Atari 2600游戏任务实验证明了该方法是可扩展和有效的。
大约 7 分钟