作者文章归档：王半仙
大语言模型（LLMs）的上下文学习：经过预训练的 LLMs 能根据文本提示或任务示例来直接对下游任务进行预测，而无需更新模型权重，这种能力也被称为上下文学习（in-context learning，ICL）或语境学习
简单来说，ICL 就是在不更新模型参数的前提下，通过输入经典示例作为提示来增强模型的能力
以情感分析为例，来说明 ICL 的一般流程（图源）：
ICL 的分类：
LSH（locality sensitivity Hashing，局部敏感性哈希）算法
以相似文档检索为例，说明 LSH 的算法过程
Shingling，文档进行向量化表示
Min-Hashing，对文档信息进行降维
TabPFN 的主要特点：
在分组比较中都占优势的一方，在总评中有时反而是失势的一方
一个辛普森悖论的典型示例：
| 性别 | 法学院录取人数 | 法学院申请人数 | 法学院录取比例 | 商学院录取人数 | 商学院申请人数 | 商学院录取比例 | 合计录取比例 |
|---|---|---|---|---|---|---|---|
| 男生 | 8 | 53 | 15.1% | 201 | 251 | 80.1% | 68.8% |
| 女生 | 51 | 152 | 33.6% | 92 | 101 | 91.1% | 56.5% |
| 合计 | 59 | 205 | 293 | 352 |
ASA 分级标准，指的是美国麻醉医师协会（ASA）于麻醉前根据
辛普森悖论 提醒我们在分析数据时要仔细考虑分组和混杂因素的影响，而因果推断的作用就是使用适当的方法识别和控制这些因素，从而可以更好地解释数据中的关系，并做出可靠的结论。
相关性与因果性：
贝叶斯神经网络（Bayesian neural networks, BNNs）：
谵妄的定义：POD 是一种急性发作的、暂时性脑功能异常。POD 多数发生在术后 1 周内, 以注意力不集中、意识水平变化和认知功能急性改变为特征。POD 可增加患者术后其他并发症发生率、延长住院时间、增加医疗费用和 30d 再人院率, 从而影响患者预后。
谵妄的常见临床表现：
荟萃分析显示：脓毒症休克患者的住院死亡率为 39%，与评估的时间点无关
脓毒性休克的定义：持续低血压，尽管进行了适当的容量复苏（20-30 毫升/千克，2 升液体在 30 分钟内），仍然需要血管加压药物维持平均动脉压≥65 mm Hg 且血清乳酸水平大于 2 mmol/L；
脓毒性休克理解已从传统“血压降低”表象深入至“低灌注”病理生理本质
休克的原因：
脓毒性休克和心源性休克的相互影响以及不同的演变过程：
由于 AI 发展迅猛，所以特意开一篇 AI 相关的 Obsidian 插件总结
其他非 AI 类插件可参阅：Obsidian-常用插件总览
项目地址 26.2k ⭐
功能：