b224618-CSDN博客

原创读书笔记36：Multi-Objective Molecule Generation using Interpretable Substructures (ICML2020)

此文做的是药物分子生成，重点要解决的问题是multi-objective，也就是说生成的分子要同时具有多个要求的性质。此前的工作大多数都是single-object的，目的只是生成满足某个性质的分子。那么这个性质具体来说都有啥呢？我觉得广义来讲这个性质有很多，好理解的比如生成的药物分子对于某种癌细胞有没有活性（能不能起作用，比如抑制这个癌细胞）。本文选取的性质有两个是对于某种酶是否有抑制作用（GNK3β和JNK3，其他生成分子的工作也经常选取这两个作为目标）。除此之外，还选取了QED和SA，QED是另一篇p

2021-09-04 11:56:45 521

原创读书笔记35：Random Walk Graph Neural Networks (NeurIPS2020)

paper链接：https://papers.nips.cc/paper/2020/file/ba95d78a7c942571185308775a97a3a0-Paper.pdf本文要做的task是graph分类，核心的方法是设定一组可训练的hidden graph，然后每个输入的graph都会和所有hidden graph对比一下，得到一组similarity score，这一组similarity score也就是输入的graph的representation了，然后可以用简单的fc layer做分

2021-04-18 19:34:07 485

b224618的博客

原创读书笔记36：Multi-Objective Molecule Generation using Interpretable Substructures (ICML2020)

原创读书笔记35：Random Walk Graph Neural Networks (NeurIPS2020)

翻译读书笔记33：SSNet: Scale Selection Network for Online 3D Action Prediction（CVPR2018）

翻译读书笔记31：What have we learned from deep representations for action recognition?（CVPR2018）

翻译读书笔记32：PoTion: Pose MoTion Representation for Action Recognition（CVPR2018）

翻译读书笔记30：Recognize Actions by Disentangling Components of Dynamics（CVPR2018）

翻译读书笔记29：A Closer Look at Spatiotemporal Convolutions for Action Recognition（CVPR2018）

翻译读书笔记28：Compressed Video Action Recognition（CVPR2018）

翻译读书笔记27：Im2Flow: Motion Hallucination from Static Images for Action Recognition（CVPR2018）

翻译读书笔记26：adding attentiveness to the neurons in recurrent neural networks

翻译读书笔记25：Temporal Hallucinating for Action Recognition with Few Still Images（CVPR2018）

翻译读书笔记25：2D/3D Pose Estimation and Action Recognition using Multitask Deep Learning（CVPR2018）

翻译读书笔记24：Graph R-CNN for Scene Graph Generation

翻译读书笔记23：Recognizing Human Actions as the Evolution of Pose Estimation Maps（CVPR2018）

翻译读书笔记22：Optical Flow Guided Feature: A Fast and Robust Motion Representation for Video Action Recogni

翻译读书笔记21：MiCT: Mixed 3D/2D Convolutional Tube for Human Action Recognition（CVPR2018）

翻译读书笔记16：A structured self-attentive sentence embedding（ICLR 2017）

翻译读书笔记15：VAIN:Attentional Multi-agent Predictive Modeling

翻译读书笔记17：Adversarial Attacks on Neural Networks for Graph Data

翻译读书笔记14：Graph networks as learnable physics engines for inference and control（ICML 2018）

翻译读书笔记13：Neural relational inference for interacting systems（ICML 2018）

翻译读书笔记11：Attention is all you need

翻译读书笔记12：A simple neural network module for relational reasoning

翻译读书笔记10：Non-local Neural Networks

翻译读书笔记9：Spatio-Temporal LSTM with Trust Gates for 3D Human Action Recognition

翻译读书笔记8：Graph Attention Networks（ICLR 2018)

翻译读书笔记7：Relational inductive biases, deep learning, and graph networks

翻译读书笔记4：Stochastic Training of Graph Convolutional Networks with Variance Reduction

翻译读书笔记6：Attentive Convolution

翻译读书笔记5：Deep Progressive Reinforcement Learning for Skeleton-based Action Recognition

翻译读书笔记3：Representation Learning on Graphs with Jumping Knowledge Networks

翻译读书笔记1：Hierarchical Recurrent Neural Network for Skeleton Based Action Recognition

空空如也

空空如也