修复弯折的非接触式IC卡

Posted on 2019-07-292019-07-29 by chiccs

昨天回到家，发现自己忘记带一个房间的钥匙。这个储物间有窗，通过高楼外墙的狭小走廊连着主卧，我并不想冒险翻越主卧的窗户从外面钻进去。不幸中有万幸，这个房门的锁是结构简单的普通球形锁，可以用一些塑料卡片（比如公交卡、信用卡）技巧性开启（仅限非常弱的球形锁）。

于是脑子一热把我的学生卡拿来撬锁了，结果学生卡被弄弯了。次日拿回学校，发现读卡机无法感应卡片。虽然我的学生卡很快就要到期，但是留着毕竟有用，所以还是想办法修复。

大部分的学生卡属于非接触式 IC 卡，可以用 NFC 读卡器读取。这类卡的结构一般是：卡身有一个芯片，连接着一个感应线圈。刷卡的时候，感应线圈在变化的磁场中产生足够的电动势作为信号通过芯片与读卡机进行交互。所以如果卡片发生弯折，感应线圈也会产生弯折，不同部分的线圈不在一个平面，产生的感应电动势方向不同（根据楞次定律），无法叠加产生足够强的信号。因此，修复的关键仅在于让卡片变得平整。

所以首先拿一个杯子，然后烧一壶水至沸腾，再将沸水倒入杯中，此时将卡片弯折的部分放入杯中烫 3 至 5 秒，然后拿出卡片，将其放在桌上，用重物盖住压紧（最好用手助力压平）。几分钟后将卡片拿出，用纸擦拭水迹。测试结果良好，现在卡片可以正常使用。

月相

Posted on 2019-07-192019-07-20 by chiccs

考虑在 $\mathbb{R}^n$ 上的函数 $f$ ，现在定义一个在 $[0,2\pi]^n$ 上的对应映射 $p(\textbf{x})$ ，通过以下方式

$p(\textbf{x}) = \sum_{k_i=-\infty}^{\infty}f(\textbf{x}+2(k_1,k_2,...,k_n)\pi)$

这样就可以有所根据地考虑在 $S^{n-1}$ 的概率测度，经过推广，也可以适用于一些简单的流形。

$S^{n-1}$ 上最简单的概率测度当然是均匀分布 $p(\textbf{x})=\frac{1}{Area(S^{n-1})}$

接着就是模仿正态分布的 $p(\textbf{x})=\frac{1}{Z}e^{-\frac{1}{2} \lVert \mathbf{x}-\mathbf{\mu } \rVert ^2}$ 。以及使用上述映射变换正态分布的结果。利用 L2 范数就会放弃一些弯曲空间的特征，可以想象这类分布的实用性一般。用测地线长度代替也许会好一些，但仍然过于平凡。还有一些可靠的分布，需要更深入的探索。

在流形上，滤波、平滑和贝叶斯推断可以有很强的联系，许多定义在离散空间的模型会有更舒展的表达。

罪咏

Posted on 2019-07-152019-07-15 by chiccs

最近信息检索社群的研究动向之一是所谓交互式检索的方法论（interactive/conversational/online + retrieval/learning to rank/blahblahblah.. ）。简单来说，就是从用户的角度来考虑检索问题，因此系统的设计和评价方式需要从用户的实际行为和反馈出发，而不是通过假设单方面推进检索的过程。

以唯物史观看待（强调这点是因为，也可以有不同的角度认为这是某几个“大佬”以个人意志带动的潮流。），这种研究兴趣的迁移是对当前自然语言处理研究的被动回应和规避：传统的信息检索研究大多和 NLP 研究一样，是在离线的数据集上评价模型。由于神经网络强大的学习能力，以及信息检索和自然语言处理的相关性，现在信息检索确实有被自然语言处理的研究狂潮淹没的隐忧或危机。IR 社群亟需重新发掘信息检索的特异性，以示区别。因此交互性作为搜索引擎最显著的特征之一便被提上日程。
交互性检索是对多个已有方向的自然扩展。以信息供给（information supply）的角度，离线数据集的标注成本实在惊人并且存在道德风险，而用户行为数据丰富而有趣。通过学习用户行为再服务用户再收集数据，产生的“乘数效应”显然是比通过学习少数标注数据再服务用户的方法要大得多。另外，这也是 “searching as learning” 观点的延伸，只是强监督信号变成了弱监督信号。
现在的信息检索研究缺乏强有力的数学基础：许多最近的研究的表述方式，除了用结果说话的“炼金术”以外，就是一些高中级别的概率统计知识加上一点微积分，再加上作者自己想象的故事，最后再添上用海量实验结果堆砌的所谓“实验分析”。如果这一点不被解决，我不觉得能有什么很重要的进展。

矿泉水评价

Posted on 2019-06-302020-04-24 by chiccs

由于某些原因，我非常喜欢喝弱碱性的矿泉水。在香港很容易买到各种各样的矿泉水，略作记录。

声明：本文允许标注出处的转载。本文中的评价具有相当的主观性，本人不对由此产生的任何社会影响负责。

Iceland Spring Water

PH 8.88

入口有轻微的苦味和甜味夹杂，略微回甘，可用“清冽”形容，有轻微“砂砾”感。

富维克天然矿泉水 (Volvic)

PH 7

常温下饮用，口感和蒸馏水几乎没有区别。冰镇后饮用有轻微苦味，口感有一点硬。

苏格兰高地矿泉水 (Highland Spring)

PH 7.8

口感柔滑清冽。没有什么风味，近似蒸馏水，有很难察觉的碱味。适合日常饮用，但不宜冰镇（个人看法，仅做参考）。比较诡异的一点是，每次从冰箱拿出来喝完我的肚子都有轻微的不适，可能仅是个案。

西藏冰川矿泉水（5100 Tibet Water）

PH 8.2

冰川水，口感较硬，具体表现在舌头可以感受到一些“砂砾”，有一种“岩石风味”。冰镇后饮用感受最好。我觉得这个水很适合做“石锅炖鸡”这样的菜，但器具一定要是石锅或者瓦罐，不能是铸铁锅或者其他金属材质的锅，导热性能不同会影响食材味道的变化。

昆仑山雪山矿泉水

PH>7

冰川水，口感较硬，有异物感和“岩石风味”。冰镇后饮用感受最好。不知道为什么这款和西藏 5100 在中国的动车组和高铁上经常有出售。实际观察的时候，这个瓶子优雅修长的造型很好看，给绝对的好评。厂家对这个产品的设计还是用了心思。

乐天 ICIS 矿泉水

PH 8.0

有非常轻微的甜味，口感很软，可以用于日常烹饪。冰镇后饮用感受没有什么变化。香港市场上能买到的性价比较高的苏打水之一。我曾经把大围惠康的 ICIS 小瓶装在一周之内买到断货。。。

活力恩克东天然苏打水

PH 7.5-9.0

火山岩冷泉。有清淡的甜味亦或是“碱味”，略微硬的口感。没有很明显的缺点。标注水源地是黑龙江省（五大连池地区、长白山等等）的苏打水品牌有很多，但喝了二十多瓶下来，我感觉这个牌子的品质比较稳定。综合它的价格，我觉得目前是中国大陆市场上能买到的性价比较高的苏打水。

屈臣氏 ALKALINE 碱性水

PH 9.0

有明显但可以接受的苦味，比较难喝。瓶子造型还不错，继承了屈臣氏饮用水产品线的风格。瓶身上有标注矿泉水经过电极处理。之前屈臣氏推广自己家那个“黑罐”苏打汽水的时候，刻意模糊了“苏打水”和“苏打汽水”（后者和可乐一样是弱酸性的）概念，让人以为那个黑罐苏打汽水对身体有益，从而大赚了一笔。现在搞出这个牌子，说实话我对它没什么好感。

我觉得 PH 值不是消费者买碱性矿泉水的根本目的，水源地和口感才是最重要的。这种夸大 PH 值的做法很不明智。你们这么喜欢炒概念的话，干脆去卖氢氧化钠溶液吧！在瓶身上标注大大的“PH 11 碱水王”，看看有没有人敢买，哈哈哈哈哈哈哈。

Solán de Cabras Mineral Water

PH 7.7

有岩石风味。微甜，有碱味，和屈臣氏的9.0差不多水平。但我不知道那是纯水本来的味道，还是真正的“碱味”。

阿尔卑斯天然苏打水

PH 8.0 – 9.0

入口的口感还算可以，比较软。喝两口可以感受到明显的甜味（真的要喝两口，喝一口感觉不到），我甚至有点怀疑厂家加入了甜味剂。口感一点都不像在法国喝过的“阿尔卑斯”的矿泉水。一看标签，水源地是“黑龙江拜泉县天然苏打水保护区”，可以说是非常标题党了。

Yukino Mizu 北海道大雪山天然水

PH 未知

入口清甜。瓶身有标注“软水”。喝多几瓶觉得有种油腻感，可能是软水柔滑的表现。（update 2020.04：最近在网上发现一条 2017 年的新闻说这个品牌在国内的检测中发现三氯甲烷超标，我不知道现在的版本是否改进了工艺）

农夫山泉

PH 7

水源地千岛湖。口感软而平淡，有轻微甜味。属于不痛不痒的通路货。

恒大冰泉

PH 7.25-7.8

来自长白山的火山岩冷泉。口感介于冰川水与蒸馏水之间，偏软。入口有相当轻微的砂砾感，风味接近于无。考虑到它极其平民的价格，其实我觉得恒大冰泉还是挺适合日常随便喝喝的，这个品牌没做好，我觉得很遗憾。

依云 (EVIAN)

PH 7~7.2

胜在品质稳定，入口柔滑。在适当的时候饮用，你真的能感受到身后有一座阿尔卑斯山。价格很不友好，性价比很低。我最喜欢喝的是玫瑰果味的 EVIAN EAU DES ALPES+RAISIN+ROSE，原因除了它干净简短的果味和清泉的甘冽相得益彰以外，只有曾经置身其中的人才知道……

毒咬

Posted on 2019-06-252019-06-25 by chiccs

所谓“路径选择”。

考虑函数 $M_{p}(x_1,x_2,...,x_n)=(\frac{1}{n}\sum_{1}^{n}x_{i}^{p})^{\frac{1}{p}}$

假定 $x_i$ 是第 $i$ 条路径的分数

$M_{\infty}=max(x_1,x_2,...,x_n)$ ，这是之前使用“两个 max”的 type taxonomy aware smoothing.

$p$ 控制路径间不同的组合方式。不用多说，懂的人自然明白该怎么使用，这是一个滤波器。

最近在栖霞岭和灵隐间行走，恶雨频频。途中有人告诉我四字偈语：峰回路转。正是意兴阑珊的时候，疯人疯语，不知所谓。

英雄

Posted on 2019-06-172019-07-02 by chiccs

张艺谋在2002年指导的电影《英雄》讲述了这样一个故事：

战国末年，秦王发动征讨六国的战争，欲一统天下。这激起了各国的反抗，派遣刺客伺机刺杀秦王，然而屡屡失败。终于，刺客无名以击杀自己人的方式取得了秦王的信任，获得了“十步于秦王”的最高礼遇，却选择放弃这近在咫尺的行刺机会。

张艺谋理解了中国人关于社会的最高理想，并用一种场面宏大、行进内敛的方式展现出来。他说出了很多人不敢说的话。从这个意义上说，《英雄》是当代最深刻的中国电影之一，而他则是当代最伟大的中国导演。有些人说这部影片是在“美化暴君”，为统治者唱赞歌。我觉得，不如说这是在歌咏这片土地上人民悲喜交加的命运。

横亘在不同的洪流与命运中间，只有团结才是本质的道理。强调个体的人，最终发现仅凭自己无法改变命运，又期待凭借聚集在一起的力量继续强调自己的价值，这不能不说是极大的讽刺。

轰斧

Posted on 2019-06-092019-06-09 by chiccs

Some cliches.

从 Zhai and Lafferty (2004) 开始。给定文档 $D$ 和查询 $Q=q_1 q_2 q_3 ... q_n$ ，使用 bag-of-words 表示法，首先考虑所谓的文档语言模型 (document language model)：

$P_{ml}(Q|D)=\prod_{q_i} \frac{tf}{|D|}$

接着考虑所谓的全局语言模型 (collection language model)：

$P(Q|C)=\prod_{q_i} \frac{cf}{|C|}$

平滑 (smoothing) 是说，查询 $Q$ 在 $D$ 的观测概率分布为：

$P(Q|D)=\prod_{q_i} ( (1- \lambda) P_{ml}(Q|D) + \lambda P(Q|C) )$

$P_{ml}(Q|D)$ 是所谓的局部信息， $P(Q|C)$ 代表所谓的全局信息，两者通过一个参数 $\lambda$ 加权平均。取 $\lambda = \frac{\mu}{|D|+\mu}$ 就是 Dirichlet smoothing。

十五年以后再来看这个经典的方法，至少有以下问题需要解决：

使用的语言模型比较 straight-forward
全局信息的估计比较 straight-forward
结合局部和全局信息的方式比较 straight-forward

我曾经问某位同行，为什么他们的 neural ranking model 不使用“全局信息”，对方说因为这样做没有带来什么改进。很正常，这种模型一般都有成千上万个参数去拟合结果，所谓的“全局信息” 都体现在训练过程中参数值的变化上。这和 Bayesian 需要先验知识、无视训练集的想法完全不同。

按照这个方向，想要改进一个 entity retrieval model 就等价于改进一个 document retrieval model。没几个人会做这种吃力不讨好的事情。

所以接下来，对全局集合 $C$ 做分解：

$C=C_1 \cup C_2 \cup C_3 \cup ... C_m$ 。

假定这些集合具有偏序关系 (paritial order)，画出它们的哈斯图 $H$ (Hasse diagram)。于是 $H$ 就可分解为不同的路径 (path) 组成的集合。 $H=p_1 \cup p_2 \cup p_3 \cup ... p_l$ 。对任意一条路径 $p = c_1 c_2 c_3 ... c_k$ ，重写 $P(Q|D)$ 为如下形式：

$P(Q|D)=\prod_{q_i} \left[ \lambda_0 P(q_i|D) + \lambda_1 P(q_i|C) ) + \sum_{i=1..k}\lambda_i P(q_i|c_i) \right]$

定义：

$\lambda_0 = \frac{1}{|D|+\mu + \frac{\mu_i \alpha^{i}}{n(\alpha , p)} }$

$\lambda_1 = \frac{\mu}{|D|+\mu + \frac{\mu_i \alpha^{i} }{n(\alpha , p)} }$

$\lambda_i = \frac{\frac{\mu_i \alpha^{i} }{n(\alpha , p)}}{|D|+\mu+ \frac{\mu_i \alpha^{i} }{n(\alpha , p)}}$

这就是一般化的 path-aware smoothing (PAS)。注意这里完全仅依靠对 collection 的偏序假设，没有利用到任何 knowledge graph 的信息，比如 type taxonomy 的结构。从表面的无序中寻找内在的结构，这是一个结构主义者 (structuralist) 的追求，也是结构平滑 (structure-aware smoothing) 的方法论。

FAQ:

A：为什么你的文章的结果和 DBpedia-entity v2 上面的正式结果不一样？

Q：1. 使用的 index 不同，预处理的方法不同，还有检索实现的方式不同。2. FSDM-CA 的参数取值覆盖了 SDM, MLM 和 LM 的情况，所以结果永远都是 FSDM-CA > MLM-CA > LM-CA，而我的模型的参数估计用的是 mapping-based probabilities (Hasibi et al. (2017))，所以它们的结果会好看一些。

A：FSDM-CA 和 FSDM + type (TAS/PAS) 哪个性能强？

Q：如果你愿意花费大量时间训练的话 (真的是”大量”… 反正我花了好几天都没有达到 DBpedia-entity v2 上面报告的结果) ，当然是 FSDM-CA 的结果比较好。然而，我写文章的目的是要说明 结构即先验 ，因此文章被组织成比较现有模型的性能，和它们加上这些先验知识以后的性能。事实上我的模型运行得相当快，而且性能理想。想看我打擂台的人请参考去年 EYRE 的结果。

A：你的结果有没有做过 evaluation？

Q：信则有，不信则永远无。事实上大部分对比数据的 P 值约等于 0，置信度 0.95，配对 t 检验。最难的是 FSDM 和 FSDM+type，因为使用 mapping-based probabilities 作为域的权重，这个模型不能像 FSDM-CA 那样靠覆盖特殊情况来轻松提高性能，需要花点时间调参数，这一组的 P 值在 0.02 左右。

A：这篇 blog post 怎么没用到 $S^{n-1}$ ？

Q：因为这几天我想怀旧一下。。。

奈落落

Posted on 2019-05-312019-06-01 by chiccs

这一篇不讲武功，只讲想法。

前几天看了一篇 NIPS 2017 的文章<Deep Hyperspherical Learning>。很显然，作者也想到了 $S^{n-1}$ 上的内积和测地线的性质。看到这篇文章的第二节的前两段的时候，我觉得自己不用再写这些东西，直接抱大腿、用现成的模型就行。但作者紧接着只是介绍自己提出的 SphereConv 这个卷积层。

（这个作者在 NIPS 2018 又有一篇文章 <Learning towards Minimum Hyperspherical Energy>。作者又想了一个电子分布能量的概念，其实就是类比电场的多体问题的稳态解。然而这种东西只是一种根据问题的语义自定义的场而不是空间本身的性质。）

很多从无到有的事情还是要自己做。

很多 word embedding 模型在训练的时候都做这样的事情：首先给每个词指定一个随机向量，然后根据总体损失函数的向量场更新词向量。如果用 word as point 的观点，这就是说词代表的点在一个 n 维流形做有限次的跃迁。

另一方面，假定这些 word embedding 模型是收敛的。原则上说，对于任意的初始值，词向量在训练后都能保持内积，也就是说对于任意的两个词向量它们的内积是不变的。其次，对于不同的初值，词的向量表示很有可能也是不同的。这是由于词汇空间和流形不等势造成的稀疏性。对一个给定的初值向量的某些分量施加一个无穷小的微扰，得到的结果应该是相同的。因此这暗示：

n 维流形上的每个点都对应一个词汇空间的元素。

紧接着做出连续性假设：

每个词汇空间的元素在 n 维流形上对应的点集都是连续的，或是不相交连续点集的并。

这就是说：

每个词在 n 维流形上都具有非零 (Lebesgue) 测度。

超重当

Posted on 2019-05-222019-05-23 by chiccs

有了“测地线”的概念，就可以在 $S^{n-1}$ 上解释一些模型的行为，比如位置语言模型 (Positional Language Model)。

现在，PLM 的假设 “a term at each position can propagate its occurrence at that position to other positions within the same document through a proximity-based density function” (Lv and Zhai, 2009) 是内蕴的。一个词对应 $S^{n-1}$ 上的一个点，沿着测地线到达另一个点，产生语素变换的损失。所谓的 “virtual document” 就是在指定距离处的有限点集。用“word as a point”这个强假设，代替原文中有点勉强的假设，还是比较划算的，因为可以定义内积和距离。
proximity-based kernel function for propagation 是关于路径的损失密度函数。也许可以写成路径积分，也许不是测地线。反正就是类似的意思。

一些查询扩展(query expansion)的方法也可以用这个套路解释，但意义不大。PLM 还是基于词的多项分布，用的是计数测度，所以当时来看，结果没有提高很多，很正常。

所以接下来，就是利用 $S^{n-1}$ 的性质得到更好的估计。过段时间再写。