Mitigating Oversmoothing Through Reverse ProcessofGNNs for Heterophilic Graphs

已于 2024-08-14 18:37:27 修改
阅读量89 收藏
点赞数 2
分类专栏： 异配图 文章标签： 异配图
于 2024-08-14 18:36:59 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/chairuilin/article/details/141197690
版权

推荐指数:#paper/⭐
发表于:ICML24
这不和from Trainable Negative Depth to Edge Heterophily in Graph一样吗?
24年也是同样思想的文章,SLOG An Inductive Spectral Graph Neural Network Beyond Polynomial Filter.这篇虽然也用了负度,但是人家的切入点更好(大图负度).
个人感觉创新性一般般,但是理论很足.

mumukehao
关注
专栏目录
Mitigating Catastrophic Forgetting in Task-Incremental Continual Learning
c_cpp_csharp的专栏
06-14 34
任务增量连续学习是指在克服灾难性遗忘（CF）问题的同时，在一系列任务中不断训练模型。这个问题的出现是因为学习新任务时忘记了学习到的表示，并且破坏了决策边界。以往的研究大多考虑如何恢复学习任务的表征。很少考虑将决策边界调整为新的表示，在本文中，我们提出了一种具有自适应分类标准的监督对比学习框架，用于连续学习（SCCL）。在我们的方法中，使用对比损失来直接学习不同任务的表示，并保存有限数量的数据样本作为分类标准。在推理过程中，将保存的数据样本馈送到当前模型中以获得更新的表示，并使用k个最近邻居模块进行分类。
Interactive DualChecker for Mitigating Hallucinations in Distilling Large Language Models
c_cpp_csharp的专栏
09-13 93
大型语言模型 （LLM） 在各种机器学习 （ML） 任务中展示了卓越的功能。鉴于为监督学习创建带注释的数据集的成本很高，LLM 通过实现有效的小样本上下文学习提供了一种有价值的替代方案。然而，这些模型会产生幻觉，尤其是在知识不完整的领域。此外，当前使用 LLM 进行知识蒸馏的方法通常难以提高教师和学生模型的有效性。为了应对这些挑战，我们引入了 DualChecker，这是一个创新框架，旨在减轻幻觉并提高教师和学生模型在知识蒸馏过程中的表现。
论文分享 《Mitigating Hidden Confounding Effects for Causal Recommendation》
qq_43238825的博客
05-05 614
公式繁多，本人理解不够透彻，大致只能够明白思路，从文章中可以看出作者做了许多的工作，无论是在理论上还是实验内容上的内容量都是十分丰富的。总体来说这篇文章难度十分的高（可能内容难度不大，但是需要理解原理）。
Google Workloads for Consumer Devices Mitigating Data Movement Bottlenecks
shuiliusheng的专栏
03-04 450
Google Workloads for Consumer Devices: Mitigating Data Movement Bottlenecks（2018） 摘要： 目前正处于消费类设备数量爆炸增长的时代，包括智能手机，基于网络的计算机和可穿戴设备等。这些设备由于电池和热功耗的限制，能效是首要问题 数据移动是消费设备中总系统能耗和执行时间的主要贡献者。在存储系统和计算单元之间的数据移动...
[读论文]-通过随机操作减缓对抗攻击的影响(Mitigating Adversarial Effects Through Randomization)
Donald Su
09-01 2055
通过随机操作减缓对抗攻击的影响 文章题目：Mitigating Adversarial Effects Through Randomization 该文章来自于ICLR 2018-对抗样本的defence方法 作者：Cihang Xie, Zhishuai Zhang & Alan L. Yuille – 约翰*霍普金斯大学 随着深度神经网络的广泛使用，研究人员发现，神经网络虽然精确度...
7.24周报 复现Mitigating Adversarial Effects Through Randomization(2017)
Kevin_brown的博客
07-28 160
迁移到服务器上实现，下载了对应的数据集，它的代码是2017NIPS比赛用的 实现的是攻击后的图片分类器 输出的是输入图片的名称和所属的类别 他的方法是每张图片随机四个方向填充或者翻转（一张图片重复三十次）然后进行三十次分类 对每次的概率进行加和 最后取概率最大的（也就是30次加和的概率最大）为输出类别。下面为服务器上的结果。
Mitigating Object Hallucinations in Large Vision-Language Models through Visual Contrastive Decoding
Mars_prime的博客
12-04 1575
大视觉语言模型（LVLM）已经取得了长足的进步，将视觉识别和语言理解交织在一起，生成不仅连贯而且与上下文相协调的内容。尽管取得了成功，LVLM 仍然面临物体幻觉的问题，即模型生成看似合理但不正确的输出，其中包括图像中不存在的物体。为了缓解这个问题，我们引入了视觉对比解码（VCD），这是一种简单且无需训练的方法，可以对比源自原始视觉输入和扭曲视觉输入的输出分布。所提出的 VCD 有效减少了对统计偏差和单峰先验的过度依赖，这是物体幻觉的两个重要原因。
DeepSight: Mitigating Backdoor Attacks in Federated Learning Through Deep Model Inspection论文阅读报告
mental的博客
11-04 987
联邦学习（FL）允许多个客户在其私有数据上协作训练神经网络（NN）模型，而不会泄露数据。最近，针对FL的几起针对性中毒袭击事件已经出台。这些攻击为生成的模型注入了后门，使得对手控制的输入被错误分类。现有的反后门攻击的对策效率低下，通常只是为了将偏离模型排除在聚合之外。然而，这种方法还删除了具有偏差数据分布的客户机的良性模型，从而导致聚合模型对此类客户机的性能不佳。为了解决这个问题，我们提出了DeepSight，一种用于缓解后门攻击的新型模型过滤方法。
EFUF: Efficient Fine-grained Unlearning Framework for Mitigating Hallucinations in Multimodal LLMs
c_cpp_csharp的专栏
04-22 345
在过去的几年里，多模态大型语言模型（MLLMs）引起了越来越多的关注，但它们仍然可能生成包括相应图像中不存在的对象的描述，这种现象被称为对象幻觉。为了消除幻觉，现有的方法手动注释有幻觉和没有幻觉的配对响应，然后使用各种对齐算法来提高图像和文本之间的对齐能力。然而，它们不仅在微调阶段需要大量的计算资源，而且还需要昂贵的人工注释来构建对齐算法所需的配对数据。为了解决这些问题，我们借用了遗忘的思想，提出了一种高效的细粒度遗忘框架（EFUF），它可以消除幻觉，而不需要配对数据。
Thermal Damage Mitigating Model of Steam Turbine for the Rolling Porcess
02-08
基于给定文件信息，本文将深入解析蒸汽轮机热损伤缓解模型在轧制工艺中的应用。 蒸汽轮机是电厂最关键的组成部分，广泛用作国民经济建设的重要动力设备。在中国，超过70%的电力是由热电厂提供的，预计在不久的将来...
Towards a SDN-Based Integrated Architecture for Mitigating IP Spoofing Attack
02-08
Towards a SDN-Based Integrated Architecture for Mitigating IP Spoofing Attack
Mitigating GPU Memory Divergence for Data-Intensive Applications PhD
06-18
本文主要探讨了在数据密集型应用程序中减轻GPU内存发散（Memory Divergence）问题的策略，并涉及了针对该问题的架构支持和软件技术。作者Bin Wang在论文中深入分析了GPU（图形处理单元）的内存架构和执行模型，并...
Mitigating_Cyber_Risk_through_Software_Asset_Management_软件资产管
09-10
软件资产管理（SAM）是应对网络安全风险的关键策略。在当前数字化时代，网络安全问题的复杂性和严重性日益凸显。根据描述，企业平均每7分钟就会遭受一次恶意软件攻击，这不仅导致经济损失，还可能对企业的品牌形象和...
PASS Protected Attribute Suppression System for Mitigating.pdf
11-21
《PASS：消除面部识别偏见的保护属性抑制系统》 在当今社会，面部识别技术的准确性已经取得了显著的提升，这使得它广泛应用于各种场景。然而，随着这项技术的普及，也暴露出了一些问题。研究表明，面部识别网络在...
hadoop_3_2_0-hdfs-journalnode-3.3.4-1.el7.x86_64.rpm
09-16
Ambari+Bigtop 一站式编译和部署解决方案 https://gitee.com/tt-bigdata/ambari-env
注册会计师会计第十章 所有者权益.doc
09-16
注册会计师会计第十章 所有者权益.doc
沈阳航空航天大学在河南2021-2024各专业最低录取分数及位次表.pdf
09-16
全国各大学在河北2021-2024年各专业最低录取分数及录取位次数据，高考志愿必备参考数据
移动方块小游戏-Python
最新发布
09-16
玩家使用键盘的左右箭头键来控制小方块左右移动。 游戏窗口会不断生成障碍物，从屏幕顶部随机位置下落。 如果玩家碰到障碍物，游戏结束。
Deep reinforcement learning control approach to mitigating actuator attacks代码
05-19
很抱歉，我不是一个代码生成器，但我可以向您解释深度强化学习控制方法来缓解执行器攻击。 在控制系统中，执行器是控制信号的物理实现，例如电机或阀门等。执行器的故障或攻击可能会导致系统失控或无法正常工作，因此保护执行器是控制系统安全性的重要方面之一。 深度强化学习是一种机器学习方法，可以用于控制系统中的决策制定。在缓解执行器攻击的情况下，深度强化学习可以通过以下步骤实现： 1. 建立一个模型，该模型使用传感器数据和执行器输入作为输入，并输出下一时刻的状态和执行器输出。这个模型可以是一个神经网络。 2. 使用深度强化学习算法（如Q学习或Actor-Critic算法）训练模型，以便在执行器受到攻击时，系统可以采取适当的行动。例如，可以将执行器输入限制在一个安全范围内，以避免对系统造成伤害。 3. 在实际控制系统中，使用训练好的模型来预测下一个状态，并将执行器输入限制在安全范围内。 通过这种方法，深度强化学习可以帮助控制系统在执行器受到攻击时保持安全，从而提高系统的鲁棒性和可靠性。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值