注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. 最新《图机器学习》综述论文 (斯坦福谷歌)

  2. 近年来，人们对学习图结构数据表示的兴趣大增。基于标记数据的可用性，图表示学习方法一般分为三大类。第一种是网络嵌入(如浅层图嵌入或图自动编码器)，它侧重于学习关系结构的无监督表示。第二种是图正则化神经网络，它利用图来增加半监督学习的正则化目标的神经网络损失。

  3. 所属分类：机器学习

    • 发布日期：2020-05-11
    • 文件大小：1048576
    • 提供者：syp_net

  1. 使用图神经网络在LHC处探测停止对的产生

  2. 上排（停止）对于超对称（SUSY）的自然性起着至关重要的作用。 但是，在大型强子对撞机上寻找停站是一项艰巨的任务。 为了从庞大的大型强子对撞机数据中找出止点，已经发明了各种专家构造的运动学变量或前沿分析技术。 在本文中，我们建议将碰撞事件表示为事件图，并使用消息传递中性网络（MPNN）来分析事件。 作为概念验证，我们在大型强子对撞机中使用了我们的方法来搜索终止对，并发现我们的MPNN可以有效地区分信号和背景事件。 与其他机器学习方法（例如DNN）相比，MPNN可以将停止质量的质量范围提高几十个G

  3. 所属分类：其它

    • 发布日期：2020-04-18
    • 文件大小：531456
    • 提供者：weixin_38681736

  1. 模块化、反事实推理、特征分离，「因果表示学习」的最新研究都在讲什么？.zip

  2. 本文精选了几篇**因果表示学习**领域的最新文献，并细致分析了不同方法的基本架构，希望能帮助感兴趣的你对**因果学习应用于机器学习**的方向和可能一探究竟。 提取模块化结构（Learning modular structures） 反事实推理（Counterfactual） 平衡因果表示学习 收录了此文补充引用的文章 图灵奖得主Judea Pearl：机器学习的理论局限性与因果推理的七大特性 最后，本.md笔记收录了丁鹏老师的因果推断简介连载文章

  3. 所属分类：机器学习

    • 发布日期：2020-04-08
    • 文件大小：17825792
    • 提供者：qq_27206435

  1. 基于深度学习的图表示学习方法综述（Deep Learning for Learning Graph Representations）.pdf

  2. 图，如社交网络、单词共存网络和通信网络，广泛地存在于各种现实应用中。通过对它们的分析，我们可以深入了解社会结构、语言和不同的交流模式，因此图一直是学界研究的热点。

  3. 所属分类：机器学习

    • 发布日期：2020-03-24
    • 文件大小：1048576
    • 提供者：syp_net

  1. 基于SSAE深度学习特征表示的高光谱遥感图像分类方法_商宏涛.pdf

  2. 针对遥感图像中高光谱数据的分类问题，提出一种基于堆叠稀疏自动编码器（ＳＳＡＥ）深度学习特征表示的高光谱遥感 图 像 分 类 方 法；首 先，将光谱数据样本进行预处理和归一化；然 后，将 其 输 入 到ＳＳＡＥ中进行特征表示学习，并通过网格搜索来获得最优网络参数，以此获得有效的特征表示；最后通过支持向量机（ＳＶＭ）分类器对输入图像特征进行分类，最 终实 现 遥感图像中像素的分类；在两个标准数据集上的实验结果表明，该方法能够实现准确的高光谱地物分类。

  3. 所属分类：机器学习

    • 发布日期：2020-02-14
    • 文件大小：477184
    • 提供者：qq_24887639

  1. \"Tag-TextRank：一种基于Tag的网页关键词抽取方法\"分享总结

  2. NULL 博文链接：https://snv.iteye.com/blog/1886969在 Wikipedia中的实体,并且算法的复杂度很高。另外,国内一些学者lm2也开展了关键 词提取的研究。实际上,从上面的工作,我们可以得到这样的基本结论:基本的R特征可 以找到部分关键词,而加入用户信息或者领域知识可以进一步提高关键词抽取效果。 本文利用Tag信息来提高关键词的抽取效果。近年来,Tag数据作为·种新的资源, 其挖掘和利用已经成为信息检索、社区发现等领域的研究热点。从数据质量上讲,Iag数 据

  3. 所属分类：其它

    • 发布日期：2019-04-20
    • 文件大小：1046528
    • 提供者：weixin_38669628

  1. 28组-大数据处理-异质图神经网络.pptx

  2. 实际系统往往由大量类型各异、彼此交互的组件构成.当前大多数工作将其建模为同质信息网络,并未对网络中不同类型的对象及链接加以区分.近年来,越来越多的研究者将这些互联数据建模为由不同类型节点和边构成的异质信息网络,并利用网络中全面的结构信息和丰富的语义信息进行更精准的知识发现.随着大数据时代的到来,异质信息网络自然融合异构多源数据的优势使其成为解决大数据多样性的重要途径.因此,异质信息网络分析迅速成为数据挖掘研究和产业应用的热点.本文对异质信息网络分析与应用进行了全面综述.除介绍异质信息网络领域的基

  3. 所属分类：机器学习

    • 发布日期：2020-09-29
    • 文件大小：5242880
    • 提供者：qq_41346728

  1. 一种融合节点先验信息的图表示学习方法

  2. 一种融合节点先验信息的图表示学习方法

  3. 所属分类：其它

    • 发布日期：2021-03-26
    • 文件大小：1048576
    • 提供者：weixin_38728183

  1. DRKG:知识图和一组用于药物利用的工具-源码

  2. 药物再利用知识图（DRKG） 药物利用知识图谱（DRKG）是一个综合的生物学知识图谱，涉及基因，化合物，疾病，生物学过程，副作用和症状。 DRKG包含来自六个现有数据库（包括DrugBank，Hetionet，GNBR，String，IntAct和DGIdb）的信息，以及从特别是与Covid19相关的最新出版物中收集的数据。它包括属于13种实体类型的97,238个实体；和5,874,261个三元组，它们属于107个边缘类型。这107个边缘类型显示了17个实体类型对之一之间的交互类型（同一实体对之

  3. 所属分类：其它

    • 发布日期：2021-03-19
    • 文件大小：668672
    • 提供者：weixin_42119281

  1. Awesome-GNN-Recommendation:图神经网络-源码

  2. [目录] 介绍 作为一种强大的图形表示学习方法，图形神经网络已广泛用于各种场景中，例如NLP，CV和推荐系统。 据我所知，图挖掘与推荐系统高度相关。实际上，将一项推荐给一个用户是用户项图上的链接预测。 该存储库主要包括三个部分： 图神经网络 基于GNN的推荐 GNN相关资源材料，纸张和代码 GNN或推荐数据集 我们还有一个微信公众号，提供一些有关GNN和推荐的材料。 欢迎您加入我们，为GNN和Recommendation提供任何贡献！这是供稿者使用的模板： [ID] Authors. **Pa

  3. 所属分类：其它

    • 发布日期：2021-03-18
    • 文件大小：1048576
    • 提供者：weixin_42135773

  1. POEM:通过基于多关系图的学习进行深度程序结构建模-源码

  2. 诗 POEM是一个利用多关系图神经网络的深层程序结构建模框架。 它基于图神经网络构建。 POEM可以捕获用于代码表示的深层程序语义和结构特征。 我们通过将POEM应用于四个代表性任务来评估POEM：， ，和，并且它比SOTA方法具有更好的性能。 有关更多详细信息，请参阅我们的“通过基于多关系图的学习进行深度程序结构建模”，该论文发表在PACT 2020中。 抽象的 深度学习正在成为一种建立预测模型以支持与代码相关的任务（如性能优化和代码漏洞检测）的有前途的技术。 建立成功的预测模型的关键方面之一

  3. 所属分类：其它

    • 发布日期：2021-03-16
    • 文件大小：26214400
    • 提供者：weixin_42134338

  1. CloudBN: 基于云计算的概率图模型学习系统

  2. 贝叶斯网（BN）作为一种重要的概率图模型，是统计型不确定性知识表示和推理的基本框架。如何从海量数据中学习BN，是目前云计算环境下海量数据中不确定性知识推理及相关应用的基础和关键。我们利用Hadoop平台，设计并实现了CloudBN这一基于云计算的概率图模型学习系统。CloudBN以BN结构的学习为核心，首先将海量数据存储于HBase中，然后将传统的BN打分搜索学习方法扩展到并行环境，基于MapReduce实现了海量数据中BN的并行学习。本文介绍了CloudBN的系统结构和相关技术，给出了系统功能

  3. 所属分类：其它

    • 发布日期：2021-03-16
    • 文件大小：1048576
    • 提供者：weixin_38556668

  1. FREERL：融合关系嵌入式表示学习框架的方面提取

  2. 意见对象属性提取是细粒度情感分析的基本任务之一。 它是通过识别意见方面实体（包括对象实体和属性实体），然后将对象实体与属性实体对齐来实现的。 对知识图的最新研究表明，通过在观点方面实体之间添加语义结构的嵌入，基于结构的学习模型可以比传统方法在链接预​​测中实现更好的性能。 但是，这些研究仅集中于学习方面实体之间的语义结构，没有考虑语言表达特征。 在本文中，我们提出了融合关系嵌入式表示学习（FREERL）框架，通过该框架，可以将语义结构和语言表达特征（如统计共现或依赖语法）融合到对象实体和属性实体

  3. 所属分类：其它

    • 发布日期：2021-03-15
    • 文件大小：883712
    • 提供者：weixin_38679839

  1. 「深度图结构学习鲁棒表示」简明综述论文

  2. 图神经网络(GNNs)广泛应用于分析图结构数据。大多数GNN方法对图结构的质量非常敏感，通常需要一个完美的图结构来学习信息嵌入。然而，图中噪声的普遍性需要学习鲁棒表示以解决真实世界问题。为了提高GNN模型的鲁棒性，许多研究围绕图结构学习(Graph Structure Learning, GSL)这一中心概念提出，旨在共同学习优化的图结构及其表示。

  3. 所属分类：机器学习

    • 发布日期：2021-03-07
    • 文件大小：541696
    • 提供者：syp_net

  1. 一种融合节点先验信息的图表示学习方法

  2. 一种融合节点先验信息的图表示学习方法

  3. 所属分类：其它

    • 发布日期：2021-03-07
    • 文件大小：524288
    • 提供者：weixin_38667581

  1. 图网络重磅综述：基于图的深度学习方法

  2. 近十年，深度学习成为人工智能和机器学习这顶皇冠上的明珠，在声学、图像和自然语言处理领域展示了顶尖的性能。深度学习提取数据底层复杂模式的表达能力广受认可。但是，现实世界中普遍存在的图却是个难点，图表示对象及其关系，如社交网络、电商网络、生物网络和交通网络。图也被认为是包含丰富潜在价值的复杂结构。因此，如何利用深度学习方法进行图数据分析近年来吸引了大量的研究者关注。该问题并不寻常，因为将传统深度学习架构应用到图中存在多项挑战：不规则领域：与图像不同，音频和文本具备清晰的网格结构，而图则属于不规则领域

  3. 所属分类：其它

    • 发布日期：2021-02-24
    • 文件大小：623616
    • 提供者：weixin_38526650

  1. AttentionWalk：“观察您的步骤：通过图注意力学习节点嵌入”的PyTorch实施（NeurIPS 2018）-源码

  2. 注意步行 ⠀ PyTorch实现的“观察您的步骤：通过图注意学习节点嵌入”（NIPS 2018） 。 抽象 图嵌入方法表示连续向量空间中的节点，从而保留了图中不同类型的关系信息。 这些方法有许多超参数（例如，随机游走的长度），必须为每个图形手动调整。 在本文中，我们将先前固定的超参数替换为可训练的超参数，这些参数会通过反向传播自动学习。 特别是，我们针对转移矩阵的幂级数提出了一种新颖的注意力模型，该模型可指导随机游走优化上游目标。 与以前的注意力模型方法不同，我们提出的方法仅在数据本身（例如

  3. 所属分类：其它

    • 发布日期：2021-02-06
    • 文件大小：1048576
    • 提供者：weixin_42120541

  1. 双层图神经网络：用于药物相互作用预测的双层图神经网络。 ICML 2020图形表示学习及超越（GRL +）研讨会-源码

  2. 双水平图神经网络 总览 此存储库包含用于药物相互作用预测的双层图神经网络的代码。 有关详细信息，请参阅我们的论文 用于药物相互作用预测的双层图神经网络。 白云生*，顾坚*，孙宜州，王伟。 ICML 2020图形表示学习及超越（GRL +）研讨会 。 模型 我们引入Bi-GNN建模生物链接预测任务，例如药物-药物相互作用（DDI）和蛋白质-蛋白质相互作用（PPI）。 以药物-药物相互作用为例，使用机器学习的现有方法要么仅利用药物之间的链接结构而不使用每个药物分子的图形表示，要么仅利用单个药物化

  3. 所属分类：其它

    • 发布日期：2021-02-05
    • 文件大小：13631488
    • 提供者：weixin_42121412

  1. graph2vec：“ graph2vec：学习图的分布式表示形式”的并行实现（MLGWorkshop 2017）-源码

  2. Graph2Vec ⠀ 抽象 关于图结构化数据的表示学习的最新工作主要集中在学习图子结构（例如节点和子图）的分布式表示。 但是，许多图形分析任务（例如图形分类和聚类）要求将整个图形表示为固定长度的特征向量。 虽然上述方法自然不具备学习此类表示的能力，但图形内核仍然是获得它们的最有效方法。 但是，这些图内核使用手工制作的功能（例如，最短路径，图小图等），因此受到诸如通用性差等问题的阻碍。 为了解决这个限制，在这项工作中，我们提出了一个名为graph2vec的神经嵌入框架，以学习数据驱动的任意大小

  3. 所属分类：其它

    • 发布日期：2021-02-03
    • 文件大小：163840
    • 提供者：weixin_42130786

  1. dynamic-graph-papers:动态图表示论文汇总-源码

  2. 动态图表示学习，动态图分析论文汇总项目 本项目总结了动态图表示学习的有关论文，该项目在持续更新中，欢迎大家看/星/叉！ 如果大家有值得推荐的工作，可以在问题中提出要推荐的工作，论文下载链接及其工作亮点（有优秀代码实现的工作，会优先考虑在内）。项目中表述有误的部分，也可以在issue中提出。感谢！ 引流：【这也是我们的工作，欢迎手表/星/叉】 社交知识图谱专题： : 目录如下： 静态图表示与分析工作 针对静态图表示学习以及静态图分析，挖掘领域，挑选出个人认为值得继承的引用数更高，知名度较高的或

  3. 所属分类：其它

    • 发布日期：2021-03-20
    • 文件大小：26624
    • 提供者：weixin_42157188
« 12 3 4 5 6 7 8 9 10 ... 14 »