HERODING23的博客

一篇图prompt的前沿工作，利用强化学习的方法来探索图中需要添加prompt的节点以及prompt的规模，实现了对必要节点添加轻量prompt的过程，在多个下游任务上取得了SOTA的效果。文章思路清晰，逻辑严谨，深入浅出，实验丰富，是不可多得的值得深入学习的工作。PaperCode“pre-train, prompt”的范式最近在图表征领域展现了其泛化性和数据高效性。

一篇来自ICDE 2020的工作，关于深度强化学习方法如何更好应用在众包平台以实现平台利益的最大化，文章在解决问题上的思路很值得借鉴，但是方法还是过于简单，有很多的提升空间，此外实验部分也有待商榷的地方。**Code：**未开源，可参考本文提出了一种面向任务安排的深度强化学习框架，之前的工作基于监督学习的方法，但是只是单独考虑workers或requests，无法处理动态环境。而本文设计的DQN网络，可以估计推荐任务的预期长期收益，同时考虑了当前和未来的奖励，并且能够实时更新。