在google上搜索：Rss IEEE transactions on，能找到Digital Library RSS Feed的链接，点开后有很多杂志的名字，以IEEE Transactions on Knowledge and Data Engineering 为例，点开后，刚开始弹出的地址和最后弹出的网址不一样。到google阅读器添加订阅，将最终的网址添加即可

http://www.ieeesmc.org/publications/  这个网址上有SMC Part ABC的Rss地址

做科研，实时跟踪本领域的最新研究进展，必须地。把握了最新的研究动向和潮流，有助于及时调整和优化课题；有助于收获启发性的Idea或新技术。最重要一点，不至于当你做的课题被别人抢发了自己却还蒙在鼓里，现在的竞争很激烈呐！每个人都有自己追踪前沿的方式。
   有人习惯每天早晨打开电脑就登陆NCBI(National Center for Biotechnology Information)，在PubMed搜索框里输入关键词，看返回的结果里有没有新的文章，这当然是一个好习惯。不过，我觉得它有点麻烦，比方说你有N个关键词要搜，一个一个来，这绝对是一个体力活。
   这里我把自己的习惯介绍一下，当然这只是我自己的使用偏好，没打算去影响谁或者改变谁，各位看看就得了。先讲要跟踪研究前沿，应该关注什么。前面提到的NCBI搜索关键词，关注的是PubMed数据库中内容的更新，它很全面，几乎涵盖了所有期刊杂志的研究性文章或Review。不过，PubMed上检索有一个潜在的缺陷，可能平时我们都没太注意到，那就是它更新的时效性不是特别令人满意。记得有一次，我看到一篇很新的文章，在Google上可以搜到，在该杂志的网站上可以看到，但是PubMed中检索不到。自从那次开始，我就开始寻找时效性更好的方法。直接登录你关注的杂志的网站，在每期内容上线的第一时间就去浏览（一般杂志都会先online发布，再出纸版），这必然是最快的方法。不过，快是快了，但与PubMed检索比较起来有两项不足之处：1、关注面窄，因为你不可能把所有杂志都浏览一遍；2、目的性不强，你关注的是一个领域的研究情况，而每本杂志的内容都涵盖了许多领域里的研究成果，所以你得筛选，从10几篇中挑出1篇或者2篇感兴趣的文章。因此，了解最新研究进展，既要注重时效性，又要兼顾覆盖面。下面我罗列一下自己用到的方法。需要强调的是，这几种方法都有自己的优点，也有自己的不足，因此需要联合起来使用。
   方法一： 邮箱订阅这里提到的邮箱订阅，订阅内容可以是某个杂志内容更新的Email alert，也可以是NCBI上的关键词检索内容更新。像Cell及其子刊、Nature及其子刊、Science、PNAS、NAR、JBC等等各类杂志的网站上，都有邮件订阅的标识，只需要按照它的说明来操作就可以了。有些网站需要用户注册（免费的）后才可以邮件订阅，比如Cell和Nature等，有些网站则无需注册，只要提供你的邮箱地址就能订阅，如JBC等。邮件订阅一些优秀杂志的内容更新，就可以直接在自己邮箱里查看每期杂志的content，很方便，不必每次都挨个儿去浏览，还可能因为疏忽而遗漏了。NCBI的关键词检索内容更新的邮件提醒是一项非常人性化的服务。或许，还有不少同学没有注意到NCBI的这项服务。这里就简单介绍一下，配上截图来说明吧。首先，你需要在NCBI上免费注册一个帐户，注册过程非常简单。登陆NCBI主页，进入PubMed页面，点击网页右上角Register，一分钟完成注册。注意，建议使用Gmail或雅虎邮箱，因为PubMed发送的邮件属于国外邮件，不太清楚国内邮箱接受是不是会出问题。第二步，完成注册以后，回到PubMed页面，在搜索框里输入你感兴趣的关键词，比如“p53”，搜索之。待结果返回后，按下图箭头所示，点击save search。第三步，点击save search以后，进入如下图所示的页面，再点击Save按钮。最后，进入如下图所示的页面，按照说明来选择多长时间发送一次邮件（我一般选择一周一次），发送邮件的格式，邮件中显示多少篇文章等等参数。Save，搞定。总结一下，之所以建议采用邮件订阅，就是因为它很方便省事，不必去一个词一个词地去检索了。或者哪天你忘记了去检索，可能会错过一些重要信息，邮件订阅就不会出现这种问题。
   方法二： Google Reader订阅我得承认，我是Google重度依赖用户，使用的Google服务包括：Gmail，Google文件，Google日历，Google相册，Chrome浏览器，Youtube，Google分析，Google Adsense，Google地球，Google生活搜索，Google学术搜索，Google地图……等等（所有这些服务，你只要注册一个Gmail就可以全部拥有）。这其中，Google Reader是我很喜欢的一项，利用Google Reader订阅感兴趣的博客，及时关注它们的更新是我上网休闲的主要项目。如果你也写博客，或者经常更新自己的QQ空间，不妨尝试一下在Google Reader里搜索一下，基本上都可以找到。书归正传，如何利用Google Reader订阅呢？很简单，你只需要知道Rss地址即可。什么是Rss？自己Google一下吧。比如，我要订阅Nature杂志的内容更新，进入该杂志的网页，http://www.nature.com/nature/index.html 按下图箭头所指的位置，点击，进入新页面，再找到其Rss的链接地址。（即箭头所指的链接的地址）将这个链接地址添加到Google Reader里即可，Google Reader会自动为你找到这个Rss源内容的更新。

(来自丁香园）

自然语言处理中，经常要处理序列标注问题（分词、词性标注、组快分析等），为给定的观察序列标注标记序列。

令o和s分别代表观察序列和标记序列，

根据贝叶斯公式，

1   生成模型和判别模型的定义

   对o和s进行统计建模，通常有两种方式：

(1)生成模型

   构建o和s的联合分布p(s,o)

(2)判别模型

   构建o和s的条件分布p(s|o)

2    判别模型和生成模型的对比

（1）训练时，二者优化准则不同

      生成模型优化训练数据的联合分布概率；

      判别模型优化训练数据的条件分布概率，判别模型与序列标记问题有较好的对应性。

（2）对于观察序列的处理不同

      生成模型中，观察序列作为模型的一部分；

      判别模型中，观察序列只作为条件，因此可以针对观察序列设计灵活的特征。

（3）训练复杂度不同

      判别模型训练复杂度较高。

（4）是否支持无指导训练

      生成模型支持无指导训练。

大米昨晚给我show  Gatsby的主页，其中一个人Alexander Lerchner，04年和05年各一篇Neurocomputing，07年就一篇Nature Neuroscience，就奠定了他的定位。该文题目也很特别knowing without doing. 看来到一个好的氛围发nature也并非很难。

        我们知道从Windows ME系统开始就有一项“系统还原”功能，这项系统自带的功能可以通过对还原点的设置，记录我们对系统所做的更改，当系统出现故障时，可以在不需要重新安装操作系统，也不会不影响个人数据文件（例如文件、电子邮件或相片）的情况下，使用系统还原功就能将系统恢复到更改之前的状态，继续正常使用。相比Ghost备份，系统还原有自身的优点，如操作安全方便、不影响个人数据文件等(是不是意味着系统还原可以取代Ghost？)。此外，在Windows 7中备份的功能也得到极大增强，不仅仅对于各类文件的备份更加强大，而且还可以如同Ghost备份那样将系统保存为映像文件。那么，系统还原经历了Windows XP、Windows Vista系统后，在Windows 7中这项好用的功能会有哪些变化呢？ 下面就随七仔来试一试Windows 7的系统还原功能，顺便对“备份和还原”中全新的创建系统映像功能一探究竟吧。
        如同在Windows XP系统中一样，使用系统还原功能前，先确认Windows 7是否开启了该功能。在资源管理器的“计算机”页面（也就是Windows XP中的“我的电脑”）空白处点击鼠标右键，选择“属性”，然后在“系统”查看窗口中点击界面左侧的“系统保护”链接，最后在“系统保护”选项页中确保所要保护的驱动器出去打开保护的状态。当对某个分区设置了保护功能打开后，Windows 7就会在必要的时候自动创建还原点。当然，此时我们也可以手动创建一个还原点，方法是在上图的界面中，点击最下方的“创建”按钮，填入还原点名称后，稍等片刻即可完成还原点的创建启用了系统还原功能，Windows 7就会在必要的时候为相应的分区创建还原点。那么，当系统出现问题的时候如何进行系统还原呢？点开开始菜单，依次点选“所有程序”－“附件”－“系统工具”－“系统还原”（万一这个点不开了呢？），打开系统还原主界面按照向导进行操作。
        在Windows XP中使用系统还原，我们看到的是一个日历视图，并可在其中选择还原点，而在Windows 7中这些变化了不少。首先Windows 7的系统还原功能会默认选择系统所推荐的还原点，并告诉你该还原点的创建时间、说明等，让你对系统的推荐有所了解。当然，我们也可以“选择另一还原点”，自己来选择需要还原到哪个状态。当我们设置自己选择还原点后，Windows 7会将可用的还原点显示在列表中，时间、说明、类型都清清楚楚，而我们先前手动创建的还原点也列于其中。 Windows 7的系统还原相较于XP系统中的还有一个很大的改进，就是可以扫描每个还原点的所影响的程序。当我们选中某个还原点后，点击“扫描所影响的程序”按钮， 稍等片刻即可得到详细的报告，其中包含了将删除和将还原的程序和驱动程序等。这个功能有很大的好处，让你对还原点的选择更加明白，特别是有两个时间相近的还原点时，你可以通过这个功能来选择影响面更小的还原点进行还原。 选择后还原点后，最后经过一个确认步骤，剩下的就又系统还原功能自动完成了，还原、重启、完成，过程如同Windows XP一样，很快你就可以重新见到没有问题的系统了。

website: http://www.chineseinla.com/f/page_viewtopic/t_5539

 

世界各国博士后 工资 (欧洲+美国)

最高的是: 瑞士联邦理工大学，苏黎世，将近70000美元。

ETH, Zurich欧洲排名第4，世界排名27， Newsweek

 

以下是Scientist 评选的15个欧洲最适合博士后工作的单位

 

Name Country verage annual postdoc salary (or salary range)

forex.com

 

Friedrich Miescher Institute

for Biomedical Research Switzerland 84,000 CHF = 68,000 USD

MRC Laboratory of

Molecular Biology UK UKP 25,000-30,000

University of Bergen Norway 372,000 NOK

Pasteur Institute France €25,200

Umea Plant Science Center Sweden 180,000-210,000 SEK

University of Dundee UK UKP 20,004-43,850

University of Basel Biozentrum Switzerland 63,000-85,056 CHF

ETH Zurich Switzerland 78,000-86,000 CHF

University of Manchester UK UKP 20,044-30,002

The Netherlands Cancer

Institute Netherlands €40,000-60,000

Catholic University of Leuven Belgium N/A

University of Helsinki Finland €33,600-36,000

 

University of Nottingham UK ￡23,457-33445

University of Edinburgh UK ￡20,044

 

以下是Scientist 评选的15个北美最适合博士后工作的单位

 

Name Average annual postdoc salary (or salary range)

 

The J. David Gladstones Institutes $51,180

Fred Hutchinson Cancer Research Center $38,974

US Environmental Protection Agency $44,119-63,980

Emory University $30,000-55,000

National Institute of Environmental Health Sciences $40,900-65,000

Fox Chase Cancer Center $39,000

National Institute of Diabetes & Kidney Diseases $37,100-67,000

Wadsworth Center $37,500

Dalhousie University $39,710 (CAN)

USDA Agricultural Research Service $54,000-65,000

Woods Hole Oceanographic Institution $53,000

Boyce Thompson Institute for Plant Research $31,700

National Cancer Institute $41,000-56,000

Donald Danforth Plant Science Center $35,000

Vanderbilt University $38,000-40,000

情商是什么

　　情商（EQ）又称情绪智力，是近年来心理学家们提出的与智力和智商相对应的概念。它主要是指人在情绪、情感、意志、耐受挫折等方面的品质。以往认为，一个人能否在一生中取得成就，智力水平是第一重要的，即智商越高，取得成就的可能性就越大。但现在心理学家们普遍认为，情商水平的高低对一个人能否取得成功也有着重大的影响作用，有时其作用甚至要超过智力水平。那么，到底什么是情商呢？

　    美国心理学家认为，情商包括以下几个方面的内容：一是认识自身的情绪。因为只有认识自己，才能成为自己生活的主宰。二是能妥善管理自己的情绪。即能调控自己；三是自我激励，它能够使人走出生命中的低潮，重新出发。四是认知他人的情绪。这是与他人正常交往，实现顺利沟通的基础；五是人际关系的管理。即领导和管理能力。　　

        情商的水平不像智力水平那样可用测验分数较准确地表示出来，它只能根据个人的综合表现进行判断。心理学家们还认为，情商水平高的人具有如下的特点：社交能力强，外向而愉快，不易陷入恐惧或伤感，对事业较投入，为人正直，富于同情心，情感生活较丰富但不逾矩，无论是独处还是与许多人在一起时都能怡然自得。专家们还认为，一个人是否具有较高的情商，和童年时期的教育培养有着密切的关系。因此，培养情商应从小开始。

情商往往是决定命运的

　　情商是一种能力，情商是一种创造，情商又是一种技巧。既然是技巧就有规律可循，就能掌握，就能熟能生巧。只要我们多点勇气，多点机智，多点磨练，多点感情投资，我们也会像“情商高手”一样，营造一个有利于自己生存的宽松环境，建立一个属于自己的交际圈，创造一个更好发挥自己才能的空间。除智商，情商外，还可包括：德商MQ(moral quotient)、逆商AQ(adversity quotient)、心商MQ（mental quotient)、胆商DQ（daring quotient）、财商FQ（fortune quotient）、志商WQ（will quotient）、灵商SQ(spiritual quotient)、健商HQ(health quotient)　

智商与情商的不同
        智商（intelligence　quotient简写成IQ）是用以表示智力水平的工具，也是测量智力水平常用的方法，智商的高低反映着智力水平的高低。情商（emotional　quotient简写成EQ）是表示认识、控制和调节自身情感的能力。情商的高低反映着情感品质的差异。情商对于人的成功起着比智商更加重要的作用。智商和情商，都是人的重要的心理品质，都是事业成功的重要基础。它们的关系如何，是智商和情商研究中提出的一个重要的理论问题。正确认识这两种心理品质之间的差异和联系，有利于更好地认识人自身，有利于克服智力第一和智力唯一的错误倾向，有利于培养更健康、更优秀的人才。 首先，智商和情商反映着两种性质不同的心理品质。智商主要反映人的认知能力、思维能力、语言能力、观察能力、计算能力、律动的能力等。也就是说，它主要表现人的理性的能力。它可能是大脑皮层特别主要是主管抽象思维和分析思维的左半球大脑的功能。情商主要反映一个人感受、理解、运用、表达、控制和调节自己情感的能力，以及处理自己与他人之间的情感关系的能力。情商所反映个体把握与处理情感问题的能力。情感常常走在理智的前面。它是非理性的，其物质基础主要与脑干系统相联系。大脑额叶对情感有控制作用。

　　其次，智商和情商的形成基础有所不同。情商和智商虽然都与遗传因素、环境因素有关，但是，它们与遗传、环境因素的关系是有所区别的。智商与遗传因素的关系远大于社会环境因素。据英国《简明不列颠百科全书·智力商数》词条载：“根据调查结果，约70—80％智力差异源于遗传基因，20—30％的智力差异系受到不同的环境影响所致。”情商的形成和发展，先天的因素也是存在的。例如，“人类的基本表情通见于全人类，具有跨文化的一致性。”（《情感智商》，潘云明主编，中国城市出版社，第22页）美国心理学家艾克曼的研究表明，从未与外界接触过的新几内亚人能够正确地判断其它民族照片上的表情。但是，情感又有很大的文化差异。民俗学研究表明，不同的民族的情感表达方式有显著差异。儿童心理学研究表明，先天盲童由于社会交流的障碍导致的社会化程度的影响，其情感能力相对薄弱。人类学研究表明，原始人类的情感与文明人的情感有极大差异。他们易怒易喜，喜怒无常，自控能力很差。美国有的人类学研究者认为，人类童年时代的情感控制能力很弱，以今天的眼光看，很像是患有集体精神病。从近代史研究中也可以看到，人的情感容易受到社会环境的影响，人总是有着根深蒂固的从众心理。二战时代德国的社会情感，充分说明了这一点。　　

       第三，智商和情商的作用不同。智商的作用主要在于更好地认识事物。智商高的人，思维品质优良，学习能力强，认识深度深，容易在某个专业领域作出杰出成就，成为某个领域的专家。调查表明，许多高智商的人成为专家、学者、教授、法官、律师、记者等，在自己的领域有较高造诣。情商主要与非理性因素有关，它影响着认识和实践活动的动力。它通过影响人的兴趣、意志、毅力，加强或弱化认识事物的驱动力。智商不高而情商较高的人，学习效率虽然不如高智商者，但是，有时能比高智商者学得更好，成就更大。因为锲而不舍的精神使勤能补拙。另外，情商是自我和他人情感把握和调节的一种能力，因此，对人际关系的处理有较大关系。其作用与社会生活、人际关系、健康状况、婚姻状况有密切关联。情商低的人人际关系紧张，婚姻容易破裂，领导水平不高。而情商较高的人，通常有较健康的情绪，有较完满的婚姻和家庭，有良好的人际关系，容易成为某个部门的领导人，具有较高的领导管理能力。

提高情商的八种方法
　　1、学会划定恰当的心理界限，这对每个人都有好处。
　　 你也许自认为与他人界限不明是一件好事，这样一来大家能随心所欲地相处，而且相互之间也不用激烈地讨价还价。这听起来似乎有点道理，但它的不利之处在于，别人经常伤害了你的感情而你却不自知。
        其实仔细观察周遭你不难发现，界限能力差的人易于患上病态恐惧症，他们不会与侵犯者对抗，而更愿意向第三者倾诉。如果我们是那个侵犯了别人心理界限的人，发现事实的真相后，我们会感觉自己是个冷血的大笨蛋。同时我们也会感到受伤害，因为我们既为自己的过错而自责，又对一个第三者卷进来对我们评头论足而感到愤慨。
        界限清晰对大家都有好处。你必须明白什么是别人可以和不可以对你做的。当别人侵犯了你的心理界限，告诉他，以求得改正。如果总是划不清心理界限，那么你就需要提高自己的认知水平。

2、找一个适合自己的方法，在感觉快要失去理智时使自己平静下来，从而使血液留在大脑里，做出理智的行动。
         美国人曾开玩笑地说：当遇到事情时，理智的孩子让血液进入大脑，能聪明地思考问题；野蛮的孩子让血液进入四肢，大脑空虚，疯狂冲动。
         是的，当血液充满大脑的，你头脑清醒，举止得当，反之，当血液都流向你的四肢和舌头的时候，你就会做蠢事，冲动暴躁，口不择言。
         事实上，科学实验证明，当我们在压力之下变得过度紧张时，血液的确会离开大脑皮层，于是我们就会举止失常。此时，大脑中动物的本性起了主导作用，使我们像最原始的动物那样行事。要知道，在文明社会中，表现得像个原始动物会带来大麻烦。
         控制情绪爆发有很多策略，其中一个方法就是注意你的心律，它是衡量情绪的精确尺子。当你的心跳快至每分钟100次以上时，整顿一下情绪至关重要。在这种速率下，身体分泌出比平时多得多的肾上腺素。我们会失去理智，变成好斗的蟋蟀。
        当血液又开始涌向四肢时，你可以选用以下的方法来平静心情：
        1、深呼吸，直至冷静下来。慢慢地、深深地吸气，让气充满整个肺部。把一只手放在腹部，确保你的呼吸方法正确。
        2、自言自语。比如对自己说：“我正在冷静。”或者说：“一切都会过去的。”
        3、有些人采用水疗法。洗个热水盆浴，可能会让你的怒气和焦虑随浴液的泡沫一起消失。
        4、你也可以尝试美国心理学家唐纳·艾登的方法：想着不愉快的事，同时把你的指尖放在眉毛上方的额头上，大拇指按着太阳穴，深吸气。据艾登说，这样做只要几分钟，血液就会重回大脑皮层，你就能更冷静地思考了。

3、想抱怨时，停一下先自问：“我是想继续忍受这看起来无法改变的情形呢，还是想改变它呢？”
        对于没完没了的抱怨，我们称之为唠叨。抱怨会消耗用力而又不会有任何结果，对问题的毫无用处，又很少会使我们感到好受一点。
        几乎所有的人都发现，如果对有同情心的第三方倾诉委屈，而他会跟着一起生气的话，我们会感觉好受一些。有人对你说：“可怜的宝贝。”这对你来说是莫大的安慰，你的压力似乎减轻了，于是你又能重新面对原有的局面了，尽管事情没有任何改变。
        但是如果你不抱怨呢，你会感受到巨大的心理压力。压力有时并不是个坏东西，是的，它也许会让你感觉不舒服，但同时也是促使你进行改变的力量。一旦压力减轻，人就容易维持现状。然而，如果压力没有在抱怨中流失，它就会推积起来，到达一个极限，迫使你采取行动变现状。
        因此，当你准备向一个同情你的朋友报怨的，先自问一下：我是想减轻压力保持现状呢，还是想让压力持续下去促使我改变这一切呢？如果是前者，那就通过报怨把压力赶走吧。逐个人都有发牢骚的时候，它会让我们暂时好受一些。但如果情况确实需要改变的话，下定决心切实行动起来吧！

4、扫除一切浪费精力的事物。
        什么是不利于我们提高情商的力量呢？答案就是一切浪费精力的事物。
        许多人的神经系统就像父亲的手一样长了厚厚的老茧。我们已经习惯于意识不到精力的消耗。精力是微妙的，但也可以体会到明显的变化，比如听到好消息时，肾上腺素会激增，而听到坏消息时，会感到精疲力竭。我们通常不会留意精力细微地消耗，比如与一个消极的人相处、在桌上到处找一张纸等等。
        你的生活中有哪些缓慢消耗精力的事情？我家的墙角堆着一小块地毯，每次看到它，我都会想可能有人会被它绊倒。这本不是什么大不了的问题，但它分散我的精力。这就是我们如何界定分散精力的事物——每次接触之后都会感到精力被分散了。有时和朋友所处也是如此——相互吸取和给予精力——但有些是精力的吸血鬼，他们只会吸取你的精力。这时有两个选择：一是正视这个问题，建立心理界限继续与他们谨慎交往；另一个是减少与这种人交往。
        的确，我们需要去除缓慢地浪费精力的东西，解脱出来以集中精力提高我们的情商。
        想加速——你可以选择减小阻力或增加推动力。
        试试我们提供的方法吧：
       1、经常列出消耗你精力的事情。
       2、系统地分析一下名单，并分成两部分：
             A、可以有所作为的。
             B、不可改变的。
       3、逐一解决A单中的问题。比如对我来说，把汽车钥匙挂在一个固定的钩子上，这样就不用到处找了。
       4、再看一下B单中的问题，你是否有把握？有没有把其中一些移到A单加以解决的可能？
       5、放弃B单中的问题。

5、找一个生活中鲜活的榜样。
        我们都曾经历过学榜样的年代，那些榜样对于我们来说高尚而又疏远。于是我们学榜样的热忱在和榜样的距离中渐渐熄灭了，因为我们知道，自己也许一生都成不了大英雄。
       是的，你不能成为大英雄，但你可以成为一个快乐的常人，比如你的朋友丹宁，她精力充沛、年轻、大方、聪明、有趣。她经营妇科诊所、做公司顾问、为一家市被定期写专栏文章，有英俊的丈夫和可爱的女儿。
        你身边有这样的出色人物吗，把他作为你的榜样吧！你可以想：她所能做的我也可以，但我们的风格迥异，我不可能以她的方式完成她所做的事。但我会模仿她做的一些事，以我的方式来完成。从她身上你总能看到从来没察觉到的自身潜能。
        在周围的人中找出你学习的榜样吧！他们比你虽聪明、所受教育更好、层次更高、比你更有毅力。你会在追赶他们的过程中自然地提高自己的情商。

6、为人父母。
        为人父母会教会你很多东西。当孩子尖叫“为什么不给我买？我恨你！”时，你不能绝望，不能暴怒，你需要理解他并接受极怨恨的现实。要知道，这是孩子所能给予你的最好的礼物，当然这种恨不要持续下去。
        养育孩子是一个双赢的结局。在养育孩子的过程中，孩子学会了如何与还不算成熟的年轻父母相处。作为父母的我们，则在抑制我们的需求来满足孩子的需求的过程中磨平了棱角。养育孩子会自动提高我们的情商，使我们成为更合格的父母。
        如果你不愿意生养孩子，不妨试试为朋友看孩子，与孩子相处可以真正地提高我们的情商。

7、从难以相处的人身上学到东西。
        我们的周围有很多牢骚满腹，横行霸道、装胆作势的人，我们多么希望这些人从生活中消失，因为他们会让人生气和绝望，甚至发狂。为什么不能把这些人圈起来，买张飞机票，送到一个小岛上，在那里他们再也不会打扰到别人。可是，最好别这样，这些难以相处的人是我们提高情商的帮手。你可以从多嘴多舌的人身上学会沉默，从脾气暴躁的人身上学会忍耐，从恶人身上学到善良，而且你不用对这些老师感激涕零。而且，你定义的“难以相处的人”，最终被证明可能只是与你不同的人，而对所谓的难以相处的人来说，你也是难以相处的人。应付难以相处的人最有效的方式就是灵活。也就是说，发现他们的方式，在与之交往的过程中，尽量灵活到采用与之相同的方式。如果这人喜欢先闲谈再谈正事的话，你的反应应当是放松下来，聊聊家常。另一方面，如果这人直截了当，你也应当闲话少说，直奔主题。这样，在与难以相处的人打交道时会更有效率，而且会发现这些人并不那么难以相处。
          应付难以相处的人的第二点就是把他们当成礼物。朱迪嫁给了一个霸道的人。婚姻生活对她来说充满坎坷，因为她没有很明确的界限。在分手多年以后，她学会了感谢他，因为他教给她建立和维持界限的重要性。现在再遇到这样的男人时，她根本不在乎。朱迪说：“当与他一起生活过以后，这些家伙你就会根本不放在眼里。”如果她当时嫁给了一个随和的人，她可能到现在还没有明确的界限，也很难对付那些难缠的家伙。
         不过，如果可以选择的话，或许我们永远不会选择难以相处的人。

8、时不时尝试另一种完全不同的方式，你会拓宽视野，提高情商。
        你是一个性格开朗外向的人还是性格内向、只喜欢独处或和几个密友在一起的人呢？你喜欢提前计划好每一天，以知道要干些什么事，还是毫无计划呢？人人都有自己的偏爱，如果可以选择的话，每个人都会选择自己偏爱的方式。然而，突然常规，尝试截然相反的行动会更有助于我们的成长。
        如果你总是聚会中热衷于做中心人物，这次改改吧，试着让那些平日毫不起眼的人出出风头。如果你总是被动地等待别人和你搭讪，不妨主动上前向对方问个好。

Multi-task learning is an approach to machine learning, that learns a problem together with other related problems at the same time, using a shared representation. This often leads to a better model for the main task, because it allows the learner to use the commonality among the tasks. Therefore, multi-task learning is a kind of inductive transfer.

[edit] See also

• Artificial neural network
• Evolutionary computation
• Human-based genetic algorithm

[edit] References

• Baxter, J. (2000). A model of inductive bias learning. Journal of Artificial Intelligence Research, 12:149--198, On-line paper
• Caruana, R. (1997). Multitask learning: A knowledge-based source of inductive bias. Machine Learning, 28:41--75. Paper at Citeseer
• Thrun, S. (1996). Is learning the n-th thing any easier than learning the first?. In Advances in Neural Information Processing Systems 8, pp. 640--646. MIT Press. Paper at Citeseer
  
  Understand completely "Exploring Regularized Feature Selection for Person Specific Face Verification". This is a paper on multi-task feature selection. Peipei Yang讲通过比如2,1范数是一种实现多任务的方式，还有其他方式。Multi-Task Learning_ Theory, Algorithms, and Applications.pptx的第五页的例子很好地解释了什么是Multi-Task Learning. Partial Face Recognition (TPAMI 2013)的第三节也是multi-task。 relaxed collaborative representation的公式6(说成multi-task，也可以视为multi-view)

全文转载薛贵荣博士的文章《迁移学习（ Transfer Learning ）》。原文点击这里！

　　在传统的机器学习的框架下，学习的任务就是在给定充分训练数据的基础上来学习一个分类模型；然后利用这个学习到的模型来对测试文档进行分类与预测。然而，我们看到机器学习算法在当前的Web挖掘研究中存在着一个关键的问题：一些新出现的领域中的大量训练数据非常难得到。我们看到Web应用领域的发展非常快速。大量新的领域不断涌现，从传统的新闻，到网页，到图片,再到博客、播客等等。传统的机器学习需要对每个领域都标定大量训练数据，这将会耗费大量的人力与物力。而没有大量的标注数据，会使得很多与学习相关研究与应用无法开展。其次，传统的机器学习假设训练数据与测试数据服从相同的数据分布。然而，在许多情况下，这种同分布假设并不满足。通常可能发生的情况如训练数据过期。这往往需要我们去重新标注大量的训练数据以满足我们训练的需要，但标注新数据是非常昂贵的，需要大量的人力与物力。从另外一个角度上看，如果我们有了大量的、在不同分布下的训练数据，完全丢弃这些数据也是非常浪费的。如何合理的利用这些数据就是迁移学习主要解决的问题。迁移学习可以从现有的数据中迁移知识，用来帮助将来的学习。迁移学习（Transfer Learning）的目标是将从一个环境中学到的知识用来帮助新环境中的学习任务。因此，迁移学习不会像传统机器学习那样作同分布假设。

　　我们在迁移学习方面的工作目前可以分为以下三个部分：同构空间下基于实例的迁移学习，同构空间下基于特征的迁移学习与异构空间下的迁移学习。我们的研究指出，基于实例的迁移学习有更强的知识迁移能力，基于特征的迁移学习具有更广泛的知识迁移能力，而异构空间的迁移具有广泛的学习与扩展能力。这几种方法各有千秋。

　　1.同构空间下基于实例的迁移学习

　　基于实例的迁移学习的基本思想是，尽管辅助训练数据和源训练数据或多或少会有些不同，但是辅助训练数据中应该还是会存在一部分比较适合用来训练一个有效的分类模型，并且适应测试数据。于是，我们的目标就是从辅助训练数据中找出那些适合测试数据的实例，并将这些实例迁移到源训练数据的学习中去。在基于实例的迁移学习方面，我们推广了传统的AdaBoost算法，提出一种具有迁移能力的boosting算法：Tradaboosting [9]，使之具有迁移学习的能力，从而能够最大限度的利用辅助训练数据来帮助目标的分类。我们的关键想法是，利用boosting的技术来过滤掉辅助数据中那些与源训练数据最不像的数据。其中，boosting的作用是建立一种自动调整权重的机制，于是重要的辅助训练数据的权重将会增加，不重要的辅助训练数据的权重将会减小。调整权重之后，这些带权重的辅助训练数据将会作为额外的训练数据，与源训练数据一起从来提高分类模型的可靠度。

　　基于实例的迁移学习只能发生在源数据与辅助数据非常相近的情况下。但是，当源数据和辅助数据差别比较大的时候，基于实例的迁移学习算法往往很难找到可以迁移的知识。但是我们发现，即便有时源数据与目标数据在实例层面上并没有共享一些公共的知识，它们可能会在特征层面上有一些交集。因此我们研究了基于特征的迁移学习，它讨论的是如何利用特征层面上公共的知识进行学习的问题。

　　2.同构空间下基于特征的迁移学习

　　在基于特征的迁移学习研究方面，我们提出了多种学习的算法，如CoCC算法[7]，TPLSA算法[4]，谱分析算法[2]与自学习算法[3]等。其中利用互聚类算法产生一个公共的特征表示，从而帮助学习算法。我们的基本思想是使用互聚类算法同时对源数据与辅助数据进行聚类，得到一个共同的特征表示，这个新的特征表示优于只基于源数据的特征表示。通过把源数据表示在这个新的空间里，以实现迁移学习。应用这个思想，我们提出了基于特征的有监督迁移学习与基于特征的无监督迁移学习。

　　2.1 基于特征的有监督迁移学习

　　我们在基于特征的有监督迁移学习方面的工作是基于互聚类的跨领域分类[7]，这个工作考虑的问题是：当给定一个新的、不同的领域，标注数据及其稀少时，如何利用原有领域中含有的大量标注数据进行迁移学习的问题。在基于互聚类的跨领域分类这个工作中，我们为跨领域分类问题定义了一个统一的信息论形式化公式，其中基于互聚类的分类问题的转化成对目标函数的最优化问题。在我们提出的模型中，目标函数被定义为源数据实例，公共特征空间与辅助数据实例间互信息的损失。

　　2.2 基于特征的无监督迁移学习：自学习聚类

　　我们提出的自学习聚类算法[3]属于基于特征的无监督迁移学习方面的工作。这里我们考虑的问题是：现实中可能有标记的辅助数据都难以得到，在这种情况下如何利用大量无标记数据辅助数据进行迁移学习的问题。自学习聚类 的基本思想是通过同时对源数据与辅助数据进行聚类得到一个共同的特征表示，而这个新的特征表示由于基于大量的辅助数据，所以会优于仅基于源数据而产生的特征表示，从而对聚类产生帮助。

　　上面提出的两种学习策略（基于特征的有监督迁移学习与无监督迁移学习）解决的都是源数据与辅助数据在同一特征空间内的基于特征的迁移学习问题。当源数据与辅助数据所在的特征空间中不同时，我们还研究了跨特征空间的基于特征的迁移学习，它也属于基于特征的迁移学习的一种。

　　３　异构空间下的迁移学习：翻译学习

　　我们提出的翻译学习[1][5]致力于解决源数据与测试数据分别属于两个不同的特征空间下的情况。在[1]中，我们使用大量容易得到的标注过文本数据去帮助仅有少量标注的图像分类的问题，如上图所示。我们的方法基于使用那些用有两个视角的数据来构建沟通两个特征空间的桥梁。虽然这些多视角数据可能不一定能够用来做分类用的训练数据，但是，它们可以用来构建翻译器。通过这个翻译器，我们把近邻算法和特征翻译结合在一起，将辅助数据翻译到源数据特征空间里去，用一个统一的语言模型进行学习与分类。

　　引文：

　　[1]. Wenyuan Dai, Yuqiang Chen, Gui-Rong Xue, Qiang Yang, and Yong Yu. Translated Learning: Transfer Learning across Different Feature Spaces. Advances in Neural Information Processing Systems 21 (NIPS 2008), Vancouver, British Columbia, Canada, December 8-13, 2008.

　　[2]. Xiao Ling, Wenyuan Dai, Gui-Rong Xue, Qiang Yang, and Yong Yu. Spectral Domain-Transfer Learning. In Proceedings of the Fourteenth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD 2008), Pages 488-496, Las Vegas, Nevada, USA, August 24-27, 2008.

　　[3]. Wenyuan Dai, Qiang Yang, Gui-Rong Xue and Yong Yu. Self-taught Clustering. In Proceedings of the Twenty-Fifth International Conference on Machine Learning (ICML 2008), pages 200-207, Helsinki, Finland, 5-9 July, 2008.

　　[4]. Gui-Rong Xue, Wenyuan Dai, Qiang Yang and Yong Yu. Topic-bridged PLSA for Cross-Domain Text Classification. In Proceedings of the Thirty-first International ACM SIGIR Conference on Research and Development on Information Retrieval (SIGIR2008), pages 627-634, Singapore, July 20-24, 2008.

　　[5]. Xiao Ling, Gui-Rong Xue, Wenyuan Dai, Yun Jiang, Qiang Yang and Yong Yu. Can Chinese Web Pages be Classified with English Data Source? In Proceedings the Seventeenth International World Wide Web Conference (WWW2008), Pages 969-978, Beijing, China, April 21-25, 2008.

　　[6]. Xiao Ling, Wenyuan Dai, Gui-Rong Xue and Yong Yu. Knowledge Transferring via Implicit Link Analysis. In Proceedings of the Thirteenth International Conference on Database Systems for Advanced Applications (DASFAA 2008), Pages 520-528, New Delhi, India, March 19-22, 2008.

　　[7]. Wenyuan Dai, Gui-Rong Xue, Qiang Yang and Yong Yu. Co-clustering based Classification for Out-of-domain Documents. In Proceedings of the Thirteenth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD 2007), Pages 210-219, San Jose, California, USA, Aug 12-15, 2007.

　　[8]. Wenyuan Dai, Gui-Rong Xue, Qiang Yang and Yong Yu. Transferring Naive Bayes Classifiers for Text Classification. In Proceedings of the Twenty-Second National Conference on Artificial Intelligence (AAAI 2007), Pages 540-545, Vancouver, British Columbia, Canada, July 22-26, 2007.

　　[9]. Wenyuan Dai, Qiang Yang, Gui-Rong Xue and Yong Yu. Boosting for Transfer Learning. In Proceedings of the Twenty-Fourth International Conference on Machine Learning (ICML 2007), Pages 193-200, Corvallis, Oregon, USA, June 20-24, 2007.

　　[10]. Dikan Xing, Wenyuan Dai, Gui-Rong Xue and Yong Yu. Bridged Refinement for Transfer Learning. In Proceedings of the Eleventh European Conference on Principles and Practice of Knowledge Discovery in Databases (PKDD 2007), Pages 324-335, Warsaw, Poland, September 17-21, 2007. （Best Student Paper Award）

　　[11]. Xin Zhang, Wenyuan Dai, Gui-Rong Xue and Yong Yu. Adaptive Email Spam Filtering based on Information Theory. In Proceedings of the Eighth International Conference on Web Information Systems Engineering (WISE 2007), Pages 159–170, Nancy, France, December 3-7, 2007.