convolutional eigenpooling networks graph
论文：FEED-FORWARD NETWORKS WITH ATTENTION CAN SOLVE SOME LONG-TERM MEMORY PROBLEMS
题目：FEED-FORWARD NETWORKS WITH ATTENTION CAN SOLVE SOME LONG-TERM MEMORY PROBLEMS” (Raffel 和 Ellis, 2016, p. 1) “带有注意力的前馈网络可以解决一些长期记忆问题” (Raffel 和 Elli ......
20231128 - 重启Centos后无法远程连接，重启网络服务报错：Error:Failed to start LSB: Bring up/down networking
1.https://blog.csdn.net/m0_74953387/article/details/132914306 2.https://blog.csdn.net/weixin_45894220/article/details/130487066 ......
The Hello World of Deep Learning with Neural Networks
The Hello World of Deep Learning with Neural Networks dlaicourse/Course 1 - Part 2 - Lesson 2 - Notebook.ipynb at master · lmoroney/dlaicourse (github ......
The Hello World of Deep Learning with Neural Networks
The Hello World of Deep Learning with Neural Networks dlaicourse/Course 1 - Part 2 - Lesson 2 - Notebook.ipynb at master · lmoroney/dlaicourse (github ......
论文阅读13-SCGC:Simple Contrastive Graph Clustering
论文阅读13-SCGC:Simple Contrastive Graph Clustering 存在的问题 由于对比学习的发展，设计了更加一致和有辨别力的对比损失函数来取代网络训练的聚类引导损失函数。结果，缓解了手动试错问题，并提高了聚类性能。然而，复杂的数据增强和耗时的图卷积操作降低了这些方法的效 ......
CrossEntropyLoss: RuntimeError: expected scalar type Float but found Long neural network
错误分析 这个错误通常指的是期望接受的参数类型是Float， 但是程序员传入的是Int 。 通常会需要我们去检查传入的 input 和 target 的数据类型有没有匹配。在传入的数据中，通常 input 希望是 Float 类型，target 是 Int 类型。 但是通常也许会发现传入的参数是符合 ......
[XVI Open Cup GP of China] A. Graph Drawing
那确实是神仙题，阅读 jiangly 代码遂取之。 简要题意 给定一个点双联通的平面图，保证每个点的度数不超过 \(4\)；具体地对于每个面将会按照逆时针顺序给出上面的顶点。现在要求把它画在无限大的网格上，要求边都平行于坐标轴，且彼此除了两端点外不接触。由于可能不能画出来，允许边进行任意的直角拐弯。 ......
[ABC315Ex] Typical Convolution Problem
题目链接 首先观察到这个形式，容易发现它和常规的卷积不同点就在于：题目给出的求和定义中，\(\sum\) 符号下面的式子是 \(i+j<N\) 求和而不是 \(i+j=N\)。 为了方便计算，我们引入： \[G_n=\sum_{i+j<N}F_iF_j \]我们发现，假设所有 \(F_{1\sim{ ......
【略读论文|时序知识图谱补全】Tucker Decomposition with Frequency Attention for Temporal Knowledge Graph Completion
会议：ACL，时间：2023，学校：北京航空航天大学，多伦多大学 关键词：基于张量分解；频率注意力；正则化 摘要： 之前基于张量分解的TKGC模型存在仅独立考虑一种关系与一个时间戳的组合，忽略了嵌入的全局性质的问题。 本文的方法：一种频率注意力（FA）模型来捕获一个关系与整个时间戳之间的全局时间依赖 ......
Information Graph 题解
题目链接 Information Graph 分析 在线并不好做，考虑离线，先将树建出来 \(2\) 操作时 \(x\) 节点 与 当前根节点 之间的点都会获得文件 当前根节点可以用并查集维护 对于查询的节点判断它是否为链上的点即可 具体的，若该节点为 \(rt\) 子树中的点 且 该节点的子树包含 ......
[ARC105E] Keep Graph Disconnected
题目链接 好题。 如果 \(1\) 和 \(n\) 一直联通，开始即结束。 如果 \(n\mod 4=1\)，那么 \(\frac 12x(x+1)+\frac12(n-x)(n-x+1)\) 为偶数。 如果 \(n\mod 4=3\)，那么 \(\frac 12x(x+1)+\frac12(n-x ......
Learning Graph Filters for Spectral GNNs via Newton Interpolation
目录概符号说明MotivationNewtonNet代码 Xu J., Dai E., Luo D>, Zhang X. and Wang S. Learning graph filters for spectral gnns via newton interpolation. 2023. 概 令谱 ......
Graph Neural Networks with Diverse Spectral Filtering
目录概符号说明DSF代码 Guo J., Huang K, Yi X. and Zhang R. Graph neural networks with diverse spectral filtering. WWW, 2023. 概 为每个结点赋予不同的多项式系数. 符号说明 \(\mathcal{ ......
Firefox developer tools truncates long network response, Chrome does not show
Firefox developer tools truncates long network response, Chrome does not show Firefox dev tools network inspector still truncates responses to 1MB by ......
Convolutional Neural Networks on Graphs with Chebyshev Approximation, Revisited
目录概符号说明MotivationChebNetII代码 He M., Wei Z. and Wen J. Convolutional neural networks on graphs with chebyshev approximation, revisited. NIPS, 2022. 概 作 ......
【略读论文|时序知识图谱补全】Learn from Relational Correlations and Periodic Events for Temporal Knowledge Graph Reasoning
会议：SIGIR，时间：2023，学校：国防科技大学 摘要： 之前模型存在的问题：未能利用快照内结构信息的关系之间的语义相关性与快照间时间交互沿时间轴的周期性时间模式。 本文的工作：提出了一种新的推理模型（RPC）；它通过两个新的通信单元，即关系通信单元(RCU)和周期通信单元(PCU)，充分挖掘关 ......
如何给vite代理的network中显示代理地址
vite 代理的项目，一般看不到代理的目标地址 如图： 如果要查看代理的目标地址，本文提供两种方式 1，configure配置 如图，通过configure，我们可以拿到proxy代理实例，通过注册on事件，可以在回调函数里面拿到目标地址和请求的路径，从而设置header 2， bypass配置 其 ......
论文阅读笔记：Revisiting Prototypical Network for Cross Domain Few-Shot Learning
标题：重新审视用于跨领域少样本学习的原型网络 研究背景： 问题背景：原型网络是一种流行的小样本学习方法， 其网络简单而直观，对于小样本学习问题有着较好的表现，尤其是在图像分类等领域。 存在问题：然而，当推广到跨领域的少样本分类任务时，其性能出现了大幅度下降，这严重限制了原型网络的实用性。 研究动机： ......
【略读论文|时序知识图谱补全】Hierarchical Self-Atention Embedding for Temporal Knowledge Graph Completion
会议：WWW，时间：2023，学校：东北大学计算机与通信工程学院 摘要： 目前TKGC模型存在的问题：只考虑实体或关系的结构信息，而忽略了整个TKG的结构信息。此外，它们中的大多数通常将时间戳视为一般特征，不能利用时间戳的潜在时间序列信息。 本文的方法：一种基于自注意机制和历时嵌入技术的分层自注意嵌 ......
On Manipulating Signals of User-Item Graph A Jacobi Polynomial-based Graph Collaborative Filtering
[TOC] Guo J., Du L, Chen X., Ma X., Fu Q., Han S., Zhang D. and Zhang Y. On manipulating signals of user-item graph: A jacobi polynomial-based graph c ......
爬虫获取网页开发者模式NetWork信息
using System; using System.Collections.Generic; using System.Linq; using System.Threading; using System.Threading.Tasks; using OpenQA.Selenium; using ......
【略读论文|时序知识图谱补全】DREAM: Adaptive Reinforcement Learning based on Attention Mechanism for Temporal Knowledge Graph Reasoning
会议：SIGIR，时间：2023，学校：苏州大学计算机科学与技术学院，澳大利亚昆士兰布里斯班大学信息技术与电气工程学院，Griffith大学金海岸信息通信技术学院 摘要： 原因：现在的时序知识图谱推理方法无法生成显式推理路径，缺乏可解释性。 方法迁移：由于强化学习 (RL) 用于传统知识图谱上的多跳 ......
How Powerful are Spectral Graph Neural Networks?
目录概符号说明Spectral GNNChoice of Basis for Polynomial FiltersJacobiConv代码 Wang X. and Zhang M. How powerful are spectral graph neural networks? ICML, 2022 ......
【略读论文|时序知识图谱补全】Adaptive Path-Memory Network for Temporal Knowledge Graph Reasoning
会议：IJCAI，时间：2023，学校：1 中国科学院计算机网络信息中心，北京 2中国科学院大学，北京 3 澳门大学智慧城市物联网国家重点实验室，澳门 4 香港科技大学(广州)，广州 5 佛罗里达大学计算机科学系，奥兰多 摘要： 提出一种新的具有TKG关联特征的体系结构建模方法，即自适应路径-记忆网 ......
【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 ......