强化学习中的两种免模型学习是（）、（）。

在废弃阶段，废弃销毁使用目的不复存在或者有更好解决方法替换的人工智能系统，主要包括数据、（）以及系统整体的废弃销毁过程。

检索的（）和基于反事实学习的检索和推荐模型已经成为信息检索领域重要的研究方向

康内尔大学发表了公平无偏的排序学习模型FairCO，可缓解检索排序（）的问题

对比学习的核心训练信号是图片的“（）”。

Google与Facebook分别提出SimCLR与MoCo两个算法，实现在（）上学习图像数据表征。两个算法背后的框架都是对比学习（contrastivelearning）

（）采用多种乐器的音频数据，可融合多种国家、乐曲风格和乐器音色的特征，创作音乐作品。

（）的核心训练信号是图片的“可区分性”。模型需要区分两个输入是来自于同一图片的不同视角，还是来自完全不同的两张图片。

图像数字化分为两个步骤：一为取样，二为（）。

图计算中图数据往往是（）和不规则的，在利用分布式框架进行图计算时，首先需要对图进行划分，将负载分配到各个节点上

循环神经网在工业上最常用的两种实现是：①.LSTM②.GRU③.CNN④.DNN