数据挖掘
文章平均质量分 85
欧神仙YYDS
这个作者很懒,什么都没留下…
展开
-
图网络可解释性(2)
Stanford大佬Rex Ying的文章:《GNNExplainer: Generating Explanations for Graph Neural Networks》原创 2022-06-10 20:46:40 · 544 阅读 · 0 评论 -
Unsupervised Domain Adaptive Graph Convolutional Networks
UDA-GCN的使用目的:1.为了有效地进行图表示学习,需要探究特征聚合的局部和全局一致性2.一个注意力机制用于得到不同图每个点的统一性表示3.为了促进不同图之间的知识迁移,提出一种域自适应模块去优化三个损失函数,分别是源域标签分类损失,域分类器损失以及目标域标签分类器损失因此提出的模型可以区分源域类别标签、目标域类别标签以及来自于不同域的样本背景:目前基于节点的图表示学习都是源自单图,往往忽略分类模型在构建新图的泛化性。这种行为结果是,当我们收集一个新图时,即使这个图与现有图非原创 2021-11-29 19:29:06 · 2200 阅读 · 0 评论 -
基于域对抗图卷积网络的多变环境下故障诊断
一、预备知识:无监督域自适应方法(Unsupervised Domain Adaptation):用于学习域不变和区分性特征。代表方法包括域对抗网络DANN和MMD(最大平均差异度量)方法。MMD是重构希尔伯特空间的非参数度量函数,它经常用于评估两个分布期望的相似性。MMD方法作为深度网络的一部分用于学习可迁移特征。DANN来自于生成对抗网络,其利用域判别器和特征提取器之间的两层minmax博弈层可以提取迁移特征。特征提取器旨在提取域不变特征去“欺骗”域判别器,而域判别器又被训练用于区分特征提取器提原创 2021-11-28 12:04:00 · 4267 阅读 · 5 评论 -
AdaRNN: Adaptive Learning and Forecasting for Time Series
1. 引文文章提出了一个总体框架AdaRNN,该框架通过提出时间分布表征和时间分布匹配算法来学习准确的、自适应的模型。主要由两部分组成:1.时域分布特征化(TDC): 目的是更好地描述时间序列中的分布信息。根据最大熵原理,将训练数据分解为????个分布差距大的最不同时段。2.时域分布匹配(TDM):旨在减少时间序列中的分布不匹配,学习一种基于RNN的自适应时间序列预测模型。主要是基于RNNs去动态减小分布散度时序预测的方法包括:隐式马尔科夫,动态贝叶斯网络,卡尔曼滤波器,循环神经网络难点:1.原创 2021-10-20 21:47:01 · 3596 阅读 · 1 评论 -
DPGN——分布传播图网络
摘要:大多数基于图网络的元学习方法都建立实例级(instance-level)关系模型。我们进一步扩展这个想法,以1-vs-N的方式显式地建模一个示例与所有其他示例的分布级(distribution-level)关系。提出了一种基于分布传播图网络(distributed propagation graph network, DPGN)的少样本学习方法。它既表达了每个小镜头学习任务中的分布级关系,也表达了实例级关系。为了将所有实例的分布级关系和实例级关系结合起来,我们构造了一个由点图和分布图组成的双完备图原创 2021-09-27 09:41:15 · 940 阅读 · 0 评论 -
Graph Neural Network-Based Anomaly Detection in Multivariate Time Series 综述
原文链接:https://arxiv.org/abs/2106.06947代码链接:GitHub - d-ailin/GDN: Implementation code for the paper "Graph Neural Network-Based Anomaly Detection in Multivariate Time Series"摘要:最近,深度学习方法使高维数据集异常检测的改进成为可能;然而,现有的方法并没有明确地学习变量之间现有关系的结构,也没有利用它们来预测时间序列的预期行为。我原创 2021-09-14 20:36:07 · 8525 阅读 · 55 评论 -
Graph Random Neural Featuresfor Distance-Preserving Graph Representations 概述
本文所提主要内容:Graph Random Neural Features (GRNF) is an embedding method from graph-structured data to real vectors based on a family of graph neural networks. GRNF can be used within traditional processing methods or as a training-free input layer of a gra...原创 2021-08-05 23:45:52 · 250 阅读 · 0 评论 -
AM-GCN 文章简述
原文链接:http://shichuan.org/doc/86.pdf代码链接:https://github.com/zhumeiqiBUPT/AM-GCN一、问题描述:现有的GCN方法自适应融合拓扑结构和节点特征的能力有限,以致于性能甚至还低于只利用拓扑信息或是特征信息的多层感知器,因此,文章尝试从本质上提升GCN的融合这两种信息的性能。二、方法概述:为了充分利用特征空间中的信息,我们推导出由节点特征生成的k近邻图作为特征结构图。通过特征图和拓扑图,我们在拓扑空间和特征空间上传播节点特征,从原创 2021-08-01 16:18:24 · 1419 阅读 · 0 评论 -
利用tensorboard可视化pytorch的数据
一、利用tensorboard可视化pytorch的数据1.进入pycharm切换至激活环境的python.exe原创 2021-06-16 01:30:03 · 306 阅读 · 0 评论 -
On Explainability of Graph Neural Networks via Subgraph Explorations 要点提炼
问题描述:我们考虑解释图神经网络(gnn)的预测的问题,否则被认为是黑盒。现有的方法总是侧重于解释图的节点或边的重要性,而忽略了图的子结构,因为它更直观,更容易被人理解。原创 2021-06-12 01:30:44 · 1342 阅读 · 3 评论 -
Kernel Graph Convolutional Neural Networks
摘要:图核已成功地应用于许多图分类问题中。通常,首先设计一个核,然后根据核隐式定义的特征训练SVM分类器。这种两阶段的方法将数据表示从学习中解耦,这是次优的。另一方面,卷积神经网络(CNNs)有能力在训练过程中直接从原始数据中学习自己的特征。不幸的是,它们不能处理图表等不规则数据。我们通过使用图核嵌入有意义的l来解决这个问题...原创 2021-06-06 18:28:49 · 1648 阅读 · 0 评论 -
小波分析与神经网络 故障诊断
小波变换既是时间尺度分析,又是时间一频率分析,它具有多分辨率的特点,且在时频域具有表征信号局部特征的能力,利用小波变换的奇异点(如过零点、极值点)在多尺度下的综合表现来检测信号的局部突变点,从而进行故障诊断。 小波分析能够将任何信号分解到一个由小波伸缩而成的基函数族上,对信号进行高、低频部分局部细化并保留原信号的时域特征,因而具有良好的时频特性,能对非平稳信号进行有效识别,达到故障诊断的目的。 小波变换与神经网络的结合主要有两种方式: 1.松散型结...原创 2021-05-30 10:09:25 · 4410 阅读 · 1 评论 -
全网唯一最新方法,绝对可行,解决AttributeError: module ‘labelme.utils‘ has no attribute ‘draw_label‘
这类问题的解决可以说我找遍了所有网站,而且都试过了,包括什么降低labelme版本啊,加draw.py文件啊,都没有用呀!!!一怒之下,自己写了一个draw_label.py文件(文件请到链接https://download.csdn.net/download/weixin_42358688/16528070下载,弄了好久,实属不易,请尊重劳动成果,不白给)只需在代码中导入本py文件:from draw_label import draw_label然后在相应位置调用:lbl_viz =原创 2021-04-07 18:58:52 · 382 阅读 · 3 评论 -
GAT翻译
摘要我们提出了图注意力网络(GATs),这是一种基于图结构数据的新型神经网络体系结构,利用隐藏的自我注意层来解决基于图卷积或其近似的先前方法的缺点。通过叠层,节点能够顾及到它们的邻域特征上,我们可以(隐式地)为邻域的不同节点指定不同的权重,而不需要任何代价高昂的矩阵运算(如反演)或依赖于预先了解图结构。通过这种方式,我们同时解决了基于频谱的图神经网络的几个关键挑战,并使我们的模型易适用于归纳和转换问题。我们的GAT模型在四个建立的直推和归纳图基准上达到或匹配最先进的结果:Cora, Citeseer和P原创 2021-04-07 13:54:14 · 796 阅读 · 0 评论 -
Graph Signal Processing – Part II: Processing and Analyzing Signals on Graphs(文献翻译)
摘要图上的数据分析是对在非规则但结构化的图域上获取的数据进行信息处理。本专题的第一部分的重点是基本的和高阶的图属性、图拓扑和图的谱表示。第一部分还为顶点聚类和图分割建立了严格的框架,并说明了图在各种数据关联任务中的强大功能。第二部分从这些概念着手,以解决围绕图上的数据/信号处理的算法和实际问题,也就是说,重点是对图上的确定性和随机数据的分析和估计。通过对多传感器温度场估计的一个简单直观、说明性强、通用性强的案例研究,介绍了与图信号相关的基本思想。利用图信号移位算子定义了图上系统的概念,推广了传统学习系统原创 2021-01-27 00:26:47 · 1481 阅读 · 0 评论 -
one-hot编码
一、什么是one-hot编码?One-Hot编码,又称为一位有效编码,主要是采用N位状态寄存器来对N个状态进行编码,每个状态都由他独立的寄存器位,并且在任意时候只有一位有效。One-Hot编码是分类变量作为二进制向量的表示。这首先要求将分类值映射到整数值。然后,每个整数值被表示为二进制向量,除了整数的索引之外,它都是零值,它被标记为1。二、one-hot编码过程详解比如我们要对 “hello world” 进行one-hot编码,怎么做呢?1.确定要编码的对象--hello worl.转载 2020-12-05 21:41:56 · 178 阅读 · 0 评论