gnn-learning-notes learning notes gnn
RLHF · PbRL | 选择 near on-policy query，加速 policy learning 收敛速度
Query-Policy Misalignment：选择的看似 informative 的 query，实际上可能与 RL agent 的兴趣不一致，因此对 policy learning 几乎没有帮助，最终导致 feedback-efficiency 低下。 ......
Q-learning与Sarsa算法辨析
这个是Q-learing的一个算法，根据代码，它就是，先设定训练100次，然后，给它一个随机的状态，这里我们假设状态6就是终点，那么走迷宫的时候，如果没走到6，就要一直走下去，，所以里面还要用到一个while循环，然后在每个状态的时候，找一个非负的动作，存储在数组里，（算是合理动作的集合吧），下一个 ......
《Progressive Learning of Category-Consistent Multi-Granularity Features for Fine-Grained Visual Classification》阅读笔记
论文标题 《Progressive Learning of Category-Consistent Multi-Granularity Features for Fine-Grained Visual Classification》 细粒度视觉分类中类别一致多粒度特征的渐进学习 作者 Ruoyi D ......
【scikit-learn基础】--『预处理』之 数据缩放
数据的预处理是数据分析，或者机器学习训练前的重要步骤。通过数据预处理，可以 提高数据质量，处理数据的缺失值、异常值和重复值等问题，增加数据的准确性和可靠性 整合不同数据，数据的来源和结构可能多种多样，分析和训练前要整合成一个数据集 提高数据性能，对数据的值进行变换，规约等（比如无量纲化），让算法更加 ......
PANE-GNN Unifying Positive and Negative Edges in Graph Neural Networks for Recommendation论文阅读笔记
Abstract 目前利用GNN的推荐系统主要关注用户的正面反馈，而忽略了负面反馈提供的见解。于是我们提出了PANG- GNN，该模型将图神经网络的正面和负面边统一在一起。PANG-GNN首先将原始评分图根据正面和负面反馈划分为两个不同的二分图。接下来分别使用两个独立的嵌入，即感兴趣嵌入和无兴趣嵌入 ......
【scikit-learn基础】--『预处理』之 标准化
数据的预处理是数据分析，或者机器学习训练前的重要步骤。通过数据预处理，可以 提高数据质量，处理数据的缺失值、异常值和重复值等问题，增加数据的准确性和可靠性 整合不同数据，数据的来源和结构可能多种多样，分析和训练前要整合成一个数据集 提高数据性能，对数据的值进行变换，规约等（比如无量纲化），让算法更加 ......
Adaptive Graph Contrastive Learning for Recommendation论文阅读笔记
Abstract 在实际的场景中，用户的行为数据往往是有噪声的，并且表现出偏态分布。所以需要利用自监督学习来改善用户表示。我们提出了一种新的自适应图对比学习(AdaGCL)框架，该框架使用两个自适应对比视图生成器来进行数据增强，以更好地增强CF范式。具体的说，我们使用了两个可训练的视图生成器，一个图 ......
15.Please retell the parable of The Blind men and An Elephant. What is the moral of the parable? What can we learn from the parable when it comes to critical thinking?
Round 1: Retelling the Parable and Extracting the Moral Speaker 1 (Student A): Hey everyone! So, let's dive into the parable of "The Blind Men and the ......
Note Book
Day 3 Note Book 1.虚拟环境的安装 pip install virtualenv #镜像安装 pip install -i https://pypi.tuna.tsinghua.edu.cn/simple 安装包```文件 #例如更新pip python -m pip install ......
【scikit-learn基础】--『数据加载』之外部数据集
这是scikit-learn数据加载系列的最后一篇，本篇介绍如何加载外部的数据集。 外部数据集不像之前介绍的几种类型的数据集那样，针对每种数据提供对应的接口，每个接口加载的数据都是固定的。而外部数据集加载之后，数据的字段和类型是不确定的。 简单来说，我们在实际的数据分析工作中，用到的是外部数据集加载 ......
Overview of Machine Learning Methods for Genome-Wide Association Analysis
Overview of Machine Learning Methods for Genome-Wide Association Analysis BIBE2021: The Fifth International Conference on Biological Information and B ......
Paper Reading: Oversampling with Reliably Expanding Minority Class Regions for Imbalanced Data Learning
为了设计更有效的插值过采样算法，本文提出了一种新的插值过采样方法 OREM。OREM 在原始少数类样本周围找到候选少数类区域，然后利用这些候选区域识别不包含任何多数类样本的干净子区域。它们被认为是潜在的少数类区域，所以通过将合成样本填充到干净子区域可以增强少数类的表达能力。OREM 方法的思路很简单... ......
Drug response prediction using graph representation learning and Laplacian feature selection
Drug response prediction using graph representation learning and Laplacian feature selection Minzhu Xie 1 2, Xiaowen Lei 3, Jianchen Zhong 3, Jianxing ......
Predicting gene expression from histone modifications with self-attention based neural networks and transfer learning
Predicting gene expression from histone modifications with self-attention based neural networks and transfer learning Yuchi Chen 1, Minzhu Xie 1, Jie ......
【scikit-learn基础】--『数据加载』之样本生成器
除了内置的数据集，scikit-learn还提供了随机样本的生成器。通过这些生成器函数，可以生成具有特定特性和分布的随机数据集，以帮助进行机器学习算法的研究、测试和比较。 目前，scikit-learn库（v1.3.0版）中有20个不同的生成样本的函数。本篇重点介绍其中几个具有代表性的函数。 1. ......
DeepWalk Online Learning of Social Representations
目录概符号说明DeepWalk代码 Perozzi B., AI-Rfou R. and Skiena S. DeepWalk: Online learning of social representations. KDD, 2014. 概 经典的 graph embedding 学习方法. 符号说 ......
The second day learning summary
1.什么是接口测试？ 接口测试是测试系统组件间接口的一种测试。接口测试主要用于外部系统与系统之间以及内部各个子系统之间的交互点，定义特定的交互点，然后通过这些交互点来，通过一些特殊的规则也就是协议，来进行数据之间的交互。测试的重点是要检查数据的交换，传递和控制管理过程，以及系统间的相互逻辑依赖关系等 ......
Class-Incremental Learning with Generative Classifiers(CVPR2021W)
前置知识：VAE（可以参考https://zhuanlan.zhihu.com/p/348498294） Motivation 之前的方法通常使用判别式分类器，对条件分布\(p(y|\textbf{x})\)进行建模（classifier+softmax+ce）。其问题在于分类器会偏向最新学的类别， ......
【scikit-learn基础】--『数据加载』之真实数据集
上一篇介绍了scikit-learn中的几个玩具数据集，本篇介绍scikit-learn提供的一些真实的数据集。玩具数据集：scikit-learn 基础(01)--『数据加载』之玩具数据集 1. 获取数据集 与玩具数据集不同，真实的数据集的数据不仅数据特征多，而且数据量也比较大，所以没有直接包含在 ......
使用技巧 | 红米 Redmi Note 12 Turbo优化记录（去广告等）
原文链接：https://engapi.com/article/7569 原文也是我写的。 我的红米Redmi note8 pro 6+128已有些卡顿，遂在K70推出之际下单了Redmi Note 12 Turbo 16+1T当备机。 以下记录红米Note12Turbo去广告和优化过程，小米/红米 ......
Note - 整体二分
其实是做题做不动了然后也不想卷 whk 于是跑来写这个。正式完工估计要咕咕咕了。 多组询问，对于单组询问可以二分，但是每组暴力二分又会 T，而且又可以离线，修改可以根据 \(mid\) 分到某一边，修改对询问的贡献有结合律、交换律时，可以考虑整体二分。 即定义函数 \(solve(l, r, pt) ......
Online Learning
Online Learning 1.网上学习比较普遍 2. 产生这种现象的原因 3. 这种现象可能带来的影响 参考范文： Online Learning Perhaps there is something you don't know how to doTTn the past, you migh ......
Kotlin Notes - 6
To access this from an outer scope (a class, extension function, or labeled function literal with receiver) you write this@label, where @label is a la ......
2023ICCV_FSI Frequency and Spatial Interactive Learning for Image Restoration in Under-Display Cameras
三. Network 1. 2. FLB： 没看懂是怎么分离的水平和竖直方向 3. SLB：每一层保留一半的通道特征用于细化，其余的在特征重构后输出（没看懂）。 Multi-distillation Network 超分辨网络的Multi-distillation Network(2019ACMMM ......
[论文速览] Randomized Quantization@ A Generic Augmentation for Data Agnostic Self-supervised Learning
Pre title: Randomized Quantization: A Generic Augmentation for Data Agnostic Self-supervised Learning accepted: ICCV 2023 paper: https://arxiv.org/abs ......
【scikit-learn基础】--『数据加载』之玩具数据集
机器学习的第一步是准备数据，好的数据能帮助我们加深对机器学习算法的理解。 不管是在学习还是实际工作中，准备数据永远是一个枯燥乏味的步骤。scikit-learn库显然看到了这个痛点，才在它的数据加载子模块中为我们准备了直接可用的数据集。 在它的数据加载子模块中，提供了6种直接可用来学习算法的经典数据 ......
The importance of learning basic skills
参考范文1 The Importance of Reading Literature Literature is acknowledged as the most precious product of human civilization and wisdom, especially by our ......
Generative-Contrastive Graph Learning for Recommendation论文阅读笔记
Abstract 首先介绍了一下GCL的一些缺点，GCL是通过数据增强来构造对比视图，然后通过最大化对比视图之间的互信息来提供自监督信号。但是目前的数据增强技术都有着一定的缺点 结构增强随机退出节点或边，容易破坏用户项目的内在本质 特征增强对每个节点施加相同的尺度噪声增强，忽略的节点的独特特征 所以 ......