图表示学习方法一般包括图嵌入表示和图神经网络

• 图嵌入表示（Node Embedding）为每个节点学习一个嵌入表示（低维稠密向量），使得在原始网络中相似的节点，它们的嵌入表示也更为相似
• 图神经网络（Graph Neural Networks）通过聚合邻域节点的信息来生成节点的表示

图嵌入表示

基于随机游走的图嵌入经典方法：

• 等长度、无偏的随机游走：DeepWalk (2014 KDD Perozzi et al.)
• 有偏的、局部与全局视

Read more

1 图嵌入表示

传统图机器学习 VS 图表示学习

• 给定输入图，传统图机器学习需要提取节点、链接和图级特征；然后学习将特征映射到/预测标签的模型（SVM、普通神经网络等），并应用于下游任务
• 图表示学习则不需要额外特征工程，而是给定输入图，自动学习独立于任务的特征（节点、链接和图级嵌入表示），然后用于算法的训练学习和下游任务

嵌入表示的好处：

• 节点间嵌入的相似性表明了它们在网络中的相似性

Read more

1 课程简介

课程内容大纲：

• 图嵌入表示（Node Embedding）方法：DeepWalk，Node2vec
• 图神经网络（GNN）：GCN、GraphSAGE、GAT…
• 图自注意力（Graph Transformers）
• 知识图谱和推理：TransE，BetaE
• 图生成模型：GraphRNN
• 3D 图模型：Molecules
• 扩展到大规模的图数据
• 图应用：生物医学、科学技术

背景要求：机器学习、算法和图论、概率论与数理统计、Python/PyTorch

其他推荐工具：

• 基于 PyTorch 构建的图神经网络库

Read more

瑞士奶酪理论（英语：Swiss Cheese Model），又称乳酪理论或瑞士起司理论，是英国曼彻斯特大学教授詹姆斯·瑞森（James Reason）于 1990 年提出的关于意外发生的风险分析与控管的模型

主要是讲，瑞士起司在制造与发酵过程当中，很自然的会产生小孔洞。如果把许多片起司重叠在一起，正常情况下，每片起司的空洞位置不同，光线透不过。只有在很极端的情况下，空洞刚好连成一直线，才会让光线透过去。导致严重事故发生的从来都不是因为某个单独的原因，而是多个问题同时出现。

瑞士起司理论示意图：左方是危险（Hazards），穿过数个孔洞后导致损失（Losses）

上图的一片片乳酪，往往代表

Read more

中文标题：Sora：大视觉模型的背景、技术、局限性和机会综述

英文标题：Sora:

Read more

中文标题：Genie: 生成式交互环境

英文标题：Genie: Generative Interactive Environments

发布平台：预印本

发布日期：2024-02-23

引用量（非实时

Read more

中文标题：大型社区样本调研：新冠对认知和记忆的影响

英文标题：Cognition and Memory after Covid-19 in a Large Community Sa

Read more

中文标题：从图像中进行自监督学习，采用联合嵌入预测架构

英文标题：Self-Supervised

Read more

中文标题：世界模型

英文标题：World Models

发布平台：NeurIPS

NeurIPS

发布日期：2018-03-28

引用量（非实时）：1031

DOI：10.5281/ZENODO.1207631

作者：Dav

Read more

中文标题：语言模型表征空间和时间

英文标题：Language Models Represent Space and Time

发布平台：预印本

发布日期：2023-01-01

引用量（非实时）：

DOI：10.48550/ARXIV.2310.02207

作者：Wes Gurnee

Read more