qq_40491207的博客

Can’t call numpy() on Variable that requires grad. Use var.detach().numpy() instead.数据属性：gradfn=<AddmmBackward>)grad_fn=<AddmmBackward>)gradf​n=<AddmmBackward>)data.numpy() ...

Learning Disentangled Semantic Representation for Domain Adaptation-IJCAI-2019文章解读1. 摘要2.main contributions3. 可解耦的语义表达模型4. 理论证明详见论文5. 实验1. 摘要现有的大多数域适应方法无法从特征空间提取具有entangle domain information（域耦合信息）...

DANE: Domain Adaptive Network Embedding IJCAI 20191. 摘要2. Main contributions3. Proposed method1. 共享权重的GCN网络文章链接1. 摘要早前的embedding网络聚焦于学习单个图网络的节点表示，不能实现不同域之间的迁移，即domain adaptation。作者提出了一种新的基于多图的图卷积...

2. Unsupervised Domain Adaptive Graph Convolutional Networks-WWW-2020论文链接1. 主要思想作者认为现有的GCN算法只能在单个domain（graph）中应用，无法实现跨域的迁移学习。提出了无监督域自适应图卷积网络。为有效获取图表达学习，作者构建了一个双图卷积网络，能够统一利用局部一致性和全局一致性进行特征聚合；再通过注意力...

GNN+DA文章解读1. GCAN: Graph Convolutional Adversarial Network for Unsupervised Domain Adaptation CVPR 20191. 主要思想2. main contributions3. 图卷积对抗网络1. GCAN: Graph Convolutional Adversarial Network for Unsup...

文章目录摘要1. 简介摘要为了在源域和目标域之间构建交互桥梁实现域自适应（domain adaptation），现阶段有三种重要的信息类型:数据结构、域标签和类标签。现有的领域适应方法大多只利用了上述信息的一种或两种类型，不能使它们相互补充和增强。与现有的方法不同，我们提出了一种端到端的图卷积对抗网络(GCAN)，通过在统一的深度模型中对数据结构、域标签和类标签进行联合建模，实现无监督域自适应...

文章目录相关介绍摘要main contributionsDisenGCN: the Proposed Model1. DisenConv 的基本假设2. The DisenConv Layer理论分析论文链接：http://proceedings.mlr.press/v97/ma19a.html相关介绍摘要真实世界的图通常是在许多潜在因素的高度复杂交互作用下产生的。现有的图结构数据深度学习...

文章目录相关介绍摘要main contributions算法步骤1. 计算代表节点2. 异构图神经网络的构建3.训练过程4. 测试阶段论文链接：https://arxiv.org/abs/1911.09046相关介绍摘要作者提出了一种新的基于异构图的知识转移方法(HGKT)，该方法利用图神经网络来实现对不可见类和实例的不可知。具体来说，利用所看到的类的高级代表节点构造一个结构化的异构图，这...

此文章转载自：https://blog.csdn.net/yyl424525/article/details/102764903 ...