![](https://img-blog.csdnimg.cn/20190918140129601.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
GAN
文章平均质量分 95
生成式对抗网络
小有名气的可爱鬼
这个作者很懒,什么都没留下…
展开
-
端到端的框架DeepInf
Facebook、Twitter、微信、微博等社交和信息网络活动已经成为我们日常生活中不可或缺的一部分,在这些活动中,我们可以很容易地了解朋友的行为,进而受到他们的影响。因此,对每个用户进行有效的社会影响力预测对于各种应用(如在线推荐和广告)至关重要。传统的社会影响预测方法通常会设计各种手工制作的规则来提取特定于用户和网络的特征。然而,它们的有效性很大程度上依赖于领域专家的知识。因此,通常很难将它们归纳到不同的领域。受deep神经网络最近在广泛的计算应用中取得成功的启发,我们设计了一个端到端的框架Dee原创 2021-05-06 15:19:03 · 1285 阅读 · 0 评论 -
生成对抗网络 GAN
生成对抗网络(GAN, Generative Adversarial Networks)是一种无监督学习方法,是一种通过用对抗网络来训练生成模型的架构。它由两个网络组成:生成网络G和判别网络D,通过这二个互相博弈学习产生相当好的输出,进而使G学到数据分布,使D能够辨别出真实数据。在训练过程中,生成网络G通过接受一个随机的噪声来尽量模仿、学习训练集中的真实数据去“欺骗”D,而D则尽可能的分辨自己所得到的一个输入数据,究竟是来自于真实的数据分布还是来自于一个生成模型,从而形成两个网络的博弈过程。理想的情况下,博原创 2020-09-18 20:07:06 · 369 阅读 · 0 评论 -
Semi-supervised Learning on Graphs with Generative Adversarial Nets
ABSTRACT我们研究了生成对抗网(GANs)如何帮助图的半监督学习。我们首先介绍了图的对抗学习的工作原理,然后提出了图的半监督学习的一种新方法GraphSGAN。在GraphSGAN中,生成器和分类器网络进行了一种新颖的竞争博弈。在平衡状态下,生成器在子图之间的低密度区域生成假样本。为了区分真假样本,分类器隐式地考虑了子图的密度特性。提出了一种有效的对抗学习算法,通过理论改进传统的标准化图拉普拉斯正则化保证。在几种不同类型的数据集上的实验结果表明,所提出的GraphSGAN明显优于几种最新的方法原创 2020-07-25 17:52:13 · 782 阅读 · 0 评论