attentive attention networks graph
【略读论文|时序知识图谱补全】Temporal Knowledge Graph Reasoning with Historical Contrastive Learning
会议：AAAI，时间：2023，学校：上海交通大学 摘要： 大多数时序知识图谱的推理方法高度依赖于事件的递归或周期性，这给推断与缺乏历史交互的实体相关的未来事件带来了挑战。本文提出一种新的基于历史对比学习训练框架的对比事件网络（CENET）的新事件预测模型。 1.CENET 学习历史和非历史依赖来区 ......
【略读论文|时序知识图谱补全】Logic and Commonsense-Guided Temporal Knowledge Graph Completion
会议：AAAI，时间：2023，学校：北京航空航天大学 文中谓词可以视为关系。 以往的TKG补全(TKGC)方法不能同时表示事件的时效性和因果关系。为了应对这些问题，作者提出了一个逻辑和尝试引导嵌入模型（LCGE ），从常识的角度共同学习涉及事件的及时性和因果关系的时间敏感表示，以及事件的时间无关表 ......
神经网络入门篇：神经网络的梯度下降（Gradient descent for neural networks）
神经网络的梯度下降 在这篇博客中，讲的是实现反向传播或者说梯度下降算法的方程组 单隐层神经网络会有\(W^{[1]}\)，\(b^{[1]}\)，\(W^{[2]}\)，\(b^{[2]}\)这些参数，还有个\(n_x\)表示输入特征的个数，\(n^{[1]}\)表示隐藏单元个数，\(n^{[2]} ......
数据结构与算法 | 图（Graph）
在这之前已经写了数组、链表、二叉树、栈、队列等数据结构，本篇一起探究一个新的数据结构：图（Graphs ）。在二叉树里面有着节点（node）的概念，每个节点里面包含左、右两个子节点指针；比对于图来说同样有着节点（node），在图里也称为顶点（vertex），顶点之间的关联不在局限于2个（左、右），一... ......
How Attentive are Graph Attention Networks?
目录概符号说明GATv2代码 Brody S., Alon U. and Yahav E. How attentive are graph attention networks? ICLR, 2022. 概 作者发现了 GAT 的 attention 并不能够抓住边的重要性, 于是提出了 GATv2 ......
Optimized Content Caching and User Association for Edge Computing in Densely Deployed Heterogeneous Networks论文阅读
目录Optimized Content Caching and User Association for Edge Computing in Densely Deployed Heterogeneous Networks1、问题背景贡献点：2、系统建模及问题公式化系统建模问题公式化联合内容缓存和用户 ......
Decoupling the Depth and Scope of Graph Neural Networks
目录概符号说明Shadow-GNN代码 Zeng H., Zhang M., Xia Y., Srivastava A., Malevich A., Kannan R., Prasanna V., Jin L. and Chen R. Decoupling the depth and scope o ......
Chen Shuo's Practical Network Programming - TTCP Lecture代码注释
下面是C语言版本的TTCP，主要注释的是void receive(const Options& opt);函数，负责在服务器接收客户端发送的数据： // muduo/examples/ace/ttcp/ttcp_blocking.cc #include ... // 接受新的TCP连接 static ......
study of 'Missing data imputation framework for bridge structural health monitoring based on slim generative adversarial networks'
the Stochastic Gradient Descent (SGD):为了提高鲁棒性，SGAIN框架的优化器采用了随机梯度下降（SGD） 一，SGAIN框架有两个重要目的：鉴别器D的目的是最大化正确预测M矩阵的概率；生成器的目的是最小化D预测M矩阵的概率。此外，利用反向传播算法对发生器和鉴别器 ......
自定义Graph Component：1.2-其它Tokenizer具体实现
本文主要介绍了Rasa中相关Tokenizer的具体实现，包括默认Tokenizer和第三方Tokenizer。前者包括JiebaTokenizer、MitieTokenizer、SpacyTokenizer和WhitespaceTokenizer，后者包括BertTokenizer和Another ......
MS-TCN++: Multi-Stage Temporal Convolutional Network for Action Segmentation
论文名： MS-TCN++: Multi-Stage Temporal Convolutional Network for Action Segmentation "MS-TCN++: 用于动作分割的多阶段时域卷积" Shi-Jie Li#, Yazan AbuFarha#, Yun Liu, Mi ......
自定义Graph Component：1-开发指南
可以使用自定义NLU组件和策略扩展Rasa，本文提供了如何开发自己的自定义Graph Component指南。 Rasa提供各种开箱即用的NLU组件和策略。可以使用自定义Graph Component对其进行自定义或从头开始创建自己的组件。 要在Rasa中使用自定义Graph Component，它 ......
自定义Graph Component：1.1-JiebaTokenizer具体实现
JiebaTokenizer类继承自Tokenizer类，而Tokenizer类又继承自GraphComponent类，GraphComponent类继承自ABC类（抽象基类）。本文使用《使用ResponseSelector实现校园招聘FAQ机器人》中的例子，主要详解介绍JiebaTokenizer ......
剖析网络测量：Counting and Measuring Network Traffic
全文共18000字，讲解了网络测量和计数中的多方面知识：网络测量的意义、网络测量的手段分类、网络测量在实现上的挑战、以及解决这些挑战所用到的技术和协同方案等等。 参考书籍有：《Network Algorithmics: An Interdisciplinary Approach to Designi ......
AT AGC043C - Giant Graph - 总结
AT AGC043C - Giant Graph 因为 \({(10^{18})}^{x+y+z}\) 的底数很大，所以我们贪心的选择 \(x+y+z\) 大的点是存在正确性的。那么我们从小点向大点连有向边，形成 DAG 后，对于一个点，如果它指向的点都没有被选取，那么选择它，否则不选。 我们发现这 ......
A Detector-Oblivious Multi-Arm Network for Keypoint Matching读书笔记
A Detector-Oblivious Multi-Arm Network for Keypoint Matching 背景:由于关键点检测器是在不同的损失函数下训练的，并且采用不同的算法设计的，因此它们通常对同一关键点坐标给出不同的描述(和置信度)。因此，每次与不同的关键点检测器组合时，都需要重 ......
rasa train nlu详解：1.2-_train_graph()函数
本文使用《使用ResponseSelector实现校园招聘FAQ机器人》中的例子，主要详解介绍_train_graph()函数中变量的具体值。 一.rasa/model_training.py/_train_graph()函数 _train_graph()函数实现，如下所示： def _train_ ......
SuperGlue: Learning Feature Matching with Graph Neural Networks论文笔记
SuperGlue: Learning Feature Matching with Graph Neural Networks 源码: github.com/magicleap/SuperGluePretrainedNetwork 背景： 主要解决图像中点之间的对应关系。 主要方法： 上图为该方法的 ......
Self-Attention公式解释
Transformer的注意力机制被广泛应用于自然语言处理（NLP）领域中，它主要用于解决序列到序列的模型中长距离依赖问题。 长距离依赖问题 举个例子，考虑这个句子： “The cat, which was very hungry, finally found its food in the kit ......
Neural Networks投稿要求总结
自用，NN投稿要求，相关的部分的中文版翻译，原文链接：https://www.sciencedirect.com/journal/neural-networks/publish/guide-for-authors Neural Networks 投稿要求 介绍 国际神经网络学会、欧洲神经网络学会和日 ......
神经网络入门篇：详解计算一个神经网络的输出（Computing a Neural Network's output）
一个神经网络的输出 首先，回顾下只有一个隐藏层的简单两层神经网络结构： 图1.3.1 其中，\(x\)表示输入特征，\(a\)表示每个神经元的输出，\(W\)表示特征的权重，上标表示神经网络的层数（隐藏层为1），下标表示该层的第几个神经元。这是神经网络的符号惯例，下同。 神经网络的计算 关于神经网络 ......
DPABInet做 Network Contruction时一直报错“函数或变量 'nets_netmats' 无法识别”
DPABInet模块做 Network Contruction时一直显示报错“函数或变量 'nets_netmats' 无法识别”，是因为没有将FSLNets导入路径，所以找不到该函数。 但是按照FSL的官方链接FSLNets - FslWiki (ox.ac.uk)又一直加载不出安装包的下载，于是 ......
“Job for network.service failed because the control process exite”问题
[root@node3 ~]# service network restart Restarting network (via systemctl): Job for network.service failed because the control process exited with err ......
[ARC105F] Lights Out on Connected Graph 题解
题意 给定一个 \(N\) 个点 \(M\) 条边的简单无向联通图 \(G\)。每个边有红和蓝两种颜色，初始时每条边均是红色。 现在通过移除 \(G\) 中的一些边来获得一个新的无向图 \(G^{\prime}\)，求在所有的 \(2^M\) 种方案中有多少种方案可以使得 \(G^{\prime}\ ......
整理《DQNViz: A Visual Analytics Approach to Understand Deep Q-Networks》
DQNViz: A Visual Analytics Approach to Understand Deep Q-Networks 论文/强化学习可视化 摘要 打算研究深度强化学习方向，整理最近的一篇 2019 年的论文，作为总结思考！ 论文介绍 该论文是一篇 2019 年，有关基于可视化进行强化学 ......
[ARC105E] Keep Graph Disconnected 题解
题意 给定一张由 \(N\) 个点和 \(M\) 条边组成的简单无向图 \(G\)，定义一个无向图是好的当且仅当这张图满足以下条件： \(1\) 号节点和 \(N\) 号节点不联通 图中不存在重边和自环 现有两人轮流采取操作，每轮操作如下： 选择两个点 \(u, v\)，将边 \((u, v)\) ......
题解 LOJ3483【[USACO21FEB] Counting Graphs P】
题解 P7418【[USACO21FEB] Counting Graphs P】 problem Bessie 有一个连通无向图 \(G\)。\(G\) 有 \(N\) 个编号为 \(1\ldots N\) 的结点，以及 \(M\) 条边（\(1\le N\le 10^2, N-1\le M\le ......
【欧拉图】Euler Graph（Fluery算法，Hierholzer算法）
还在持续更新ing 前言 此乃小 Oler 的一篇算法随笔，从今日后，还会进行详细的修订。 注明：有参考自论文《欧拉图相关的生成与计数问题探究》 简单介绍 著名的哥尼斯堡七桥问题是18世纪著名的古典数学问题之一，该问题在相当长的时间里无人能解。欧拉经过研究，于1736年发表了论文《哥尼斯堡的七座桥》 ......