![](https://img-blog.csdnimg.cn/20201014180756926.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
论文阅读
文章平均质量分 93
zzu菜
努力努力在努力!
展开
-
Label Contrastive Coding based Graph Neural Network for Graph Classification
题目 **Label Contrastive Coding based Graph Neural Network for Graph Classification **作者团队 Yuxiang Ren, Jiyang Bai,Jiawei Zhang作者单位 佛罗里达州立大学论文链接 https://arxiv.org/pdf/2101.05486.pdf本文来自佛罗里达州立大学,作者使用实例间的细粒度类别信息,基于标签对比损失,设计了一种基于标签对比编码的图分类网络,实现了监督式的对比学习。之前学习的基于原创 2022-06-30 19:42:30 · 784 阅读 · 0 评论 -
Moco -Momentum Contrast for Unsupervised Visual Representation Learning
首先这是一篇来自2020年cvpr的一篇文章,MoCo: CVPR 2020 最佳论文,完成了视觉 + 对比学习的里程碑式的工作。填补了 CV 领域的无监督学习和有监督学习的 gap 。作者是何凯明,来自FaceBookAi研究所。这篇文章主要是提出来了简单又有效地方法去创建一个又大又可以在训练过程中保持一致的字典其中字典使用了队列的数据结构,其次动量更新编码器。如上图所示,有三张图片,图1、2为同一个人不同的表情的照片,图3为dog,在训练时不会为这三种图片去标注。将三种图片输入到模型中,模型会得到原创 2022-06-08 16:02:20 · 291 阅读 · 0 评论 -
Unsupervised Feature Learning via Non-Parametric Instance Discrimination
本来我是想直接看moco的,但是我发现moco大量引用了这篇文章,所以就决定先看了这篇文章。这是2018年CVPR的一篇文章,它是做对比学习的一篇文章 基于非参数实例判别的无监督特征学习。概览首先这篇文章的任务是做一个无监督的分类,也就是只考虑一个新来的图片是否类似于已有的某个图片(图片),而不考虑语义上它属于哪个分类。说白了也就是新来一张图像,它的特征和哪张现有图像的特征最像。提出了个体判别。其次这篇文章用无监督的方法,重点在学习一个特征提取器,使得相似图片的特征更相关,不相关图片的特征更不相原创 2022-05-17 14:25:43 · 1942 阅读 · 0 评论 -
Molecular Contrastive Learning of Representations via Graph Neural Networks
MolCLR:一个用于分子表征学习的自监督框架作者:Yuyang Wang1,2, Jianren Wang3 , Zhonglin Cao1 , and Amir Barati Farimani1,2,4,*1Department of Mechanical Engineering, Carnegie Mellon University, Pittsburgh, PA 15213, USA2Machine Learning Department, Carnegie Mellon Universit原创 2022-04-05 20:44:24 · 3086 阅读 · 0 评论 -
MG-BERT:利用无监督原子表征学习进行分子性质预测
MG-BERT:利用无监督原子表征学习进行分子性质预测MG-BERT: leveraging unsupervised atomic representation learning for molecular property prediction本文的第一作者是张小琛博士和吴诚堃研究员。主要合作者来自具有深厚AIDD背景的曹东升教授和侯廷军教授摘要动机:准确有效地预测分子性质是药物设计和发现流程中的基本问题之一。传统的基于特征工程的方法需要在特征设计和选择过程中拥有丰富的专业知识。随着AI的发展原创 2021-12-26 10:30:32 · 1719 阅读 · 3 评论 -
将图和双向transformers融合的分子性质预测新工具 简称AGBT - 论文阅读
分子表示原创 2021-12-10 15:16:54 · 2535 阅读 · 0 评论