案例研究:SEO工具 排名工具

　　案例研究:SEO工具 排名工具

　　快速流量专家软件有两个目的：一是增加网站的流量（即增加IP、PV，同时增加框架/浮框浏览量，pop- up windows, 网页中的外部链接点击）等）二是用于网络优化功能（即刷关键词排名、刷关键词排名、提升网站店铺等关键词百度关键词排名等）软件用于生成访问行为；软件后台用于管理任务分配、用户、URL、点位展示比例/秒点展示比例、流量控制等。 Speedy Traffic Expert 软件优势： 1、目前业内首家使用互助模式刷机实现刷关键词排名的功能。2. 目前在业内率先实现强大的防伪功能，轻松实现百度首页。3、软件采用IE内核，无病毒、无木马、无弹窗、无音乐，使用过程中不影响正常操作。四、先进的调度算法，完善的人工模拟机制，刷关键词自动随机事件翻页，无任何风险。5、软件界面友好，功能实用，操作方便；后台系统布局美观、功能全面、管理严格、操作简单。六、目前业内最高技术水平，整合了互联网上所有同类软件的功能，全部免费全自动，只要你的电脑开机，就可以刷你的网站，然后滑动你的 关键词 。官方网站：

　　案例研究:Generative Cooperative Learning for Unsu

　　文章目录

　　一种真正的无监督视频异常检测方法 1 摘要

　　视频异常检测在弱监督和一类分类器 (OCC) 设置中得到了很好的研究。然而，无监督的视频异常检测方法相当稀疏，以消除获取费力注释的成本，并允许在没有人工干预的情况下部署此类系统。为此，本文提出了一种新颖的无监督生成协作学习（GCL）视频异常检测方法，该方法利用异常的低频来构建*敏*感*词*和判别器之间的交叉监督。本质上，这两个网络以合作方式进行训练，允许无监督学习。

　　作者试图以结构化的方式利用两个领域知识：

　　2 论文算法概述（GCL）

　　两个关键部分：*敏*感*词* + 判别器。听起来很像 GAN（对抗性生成网络），确实是一种 GAN 风格的训练方法。论文中提出的 GCL 的*敏*感*词*和判别器（为简单起见，分别记为 G:generator/D:discriminator）是基于相互合作的方法进行交叉监督训练。

　　在GCL中，每个网络的输出都经过一个阈值处理生成伪标签，G生成的伪标签用来计算D的损失，D生成的伪标签用来计算损失G的

　　下图是论文的 GCL 方法的整体架构：包括一个特征提取器、一个*敏*感*词*网络、一个判别器网络和两个伪标签*敏*感*词*。

　　系统交替训练的一般流程：

　　3 实施细节 3.1 训练数据构成

　　在提出的 GCL 方法中，论文随机化了输入特征的顺序，从而消除了批次内和批次间的相关性。

　　其实我这里的理解是论文使用默认模式下的ReaNext3d作为特征提取器，对每个视频（i:1~n）的每个视频段（j:1->m）进行特征提取，得到一个对应的特征向量 f(i,j) ，对所有视频片段的这些特征向量进行随机采样，按照批次随机划分，然后作为后续网络的输入。这消除了批次内和批次间的依赖性。至于作者为什么这样做，我想可能是因为它对模型的泛化更加友好。

　　3.2 发电机网络

　　通过最小化输入和输出之间的特征误差来训练*敏*感*词*。

　　用于指导判别器训练的伪标签由重构误差的大小决定，具体公式如下：

　　在论文中，合适的阈值计算如下：首先计算每批中所有的重构误差，并根据最大误差的固定百分比经验性地设置一个阈值。

　　3.3 判别器网络

　　鉴别器 D 的二元分类网络使用来自 G 的伪标签进行训练，以通过以下方式最小化批次的二元交叉熵损失：

　　用于指导*敏*感*词*训练的伪标签由判别器的输出（异常输入特征的概率估计的大小）决定，具体公式如下：

　　3.4 *敏*感*词*网络的负学习

　　第2章提到*敏*感*词*G有一个负学习方法，即G的训练是使用D的伪标签，使用负学习（NL）。目的是为了增加正常输入和异常输入重构之间的差异，在同一个批次中可能会遇到正常和异常样本，并且论文通过使用伪重构目标来强制异常样本很难重构。

　　第2章图3。最后，作者采用了All one targets，即对于每个被D伪标记为异常的特征向量，将原来的重构目标替换为类似的全一维向量。实验结果表明，将“1”作为伪目标产生了更强的判别重建能力，与只使用重建误差的一般方法相比，能够更好地区分正常和异常输入。

　　因此，作者将3.2节给出的公式（1）*敏*感*词*的损失函数修改为收录负学习的损失函数：

　　也就是说，将D标记为异常特征向量，伪标签为1，然后将重构的目标特征替换为与输入维数相同的全1向量。如果伪标签为0，则表示判断D正常，那么重构后的目标特征就是输入特征。

　　3.5 自监督预训练

　　由于异常检测是一个定义不明确的问题，缺乏约束可能会影响收敛，并且系统可能会陷入局部最小值。为了提高收敛性，我们探索通过预训练 G 和 D 来启动训练过程。根据经验观察，使用预训练 G（基于方程（1））有利于学习系统的整体稳定性，而还提高了收敛性和系统性能。但是我们通过实验观察到，简单地用所有训练数据预训练 G 可能无法提供有效的开始。利用视频中的事件按时间顺序发生的事实，并且异常帧通常比正常帧更容易发生事件，我们使用连续特征向量之间的时间差作为估计量来初步清理训练数据集以进行 G 的预训练.

　　4 总结

　　论文创新点：