“压缩现代性”，这个词很生动、贴切。中（含台湾）、日、韩三个国家的普通民众的生活都有明显的“压缩”特征：
1、住房是压缩的。美国人住别墅，中日韩绝大多数人住公寓。东亚城市人口密度远高于美国，也高于欧洲。这节约了土地，也导致普通人的个人空间严重不足；
2、学习是压缩的。“做题家”，这一个词描述了以高考为人才选拔的高压模式。进大学前，想考个好大学、好专业，那就只有拼命做题；
3、工作是压缩的。“加班、超时劳动”被普遍接受，只要老板给高一点的加班费，打工者对加班一般持欢迎与接受的态度。但这也极大地减少了可用于关心家庭、个人再学习、社交等一系列的工作之外的时间；
4、生育也是压缩的。一对夫妻，生一

图表示学习

发表评论

388 views

图嵌入表示
- DeepWalk
- node2vec
- LINE
- struc2vec
图神经网络
- 图同构网络 GIN
- Cluster-GCN

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

CS224W 图机器学习02：图嵌入表示

发表评论

397 views

1 图嵌入表示
2 编码与解码
3 基于随机游走的节点嵌入
4 节点嵌入的目标函数
5 随机游走策略的改进
6 整图的嵌入表示
7 矩阵分解与嵌入表示
8 嵌入表示的应用与局限性
课外拓展与代码练习

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

CS224W 图机器学习01：基本介绍

发表评论

414 views

1 课程简介
2 图的必要性
3 图的复杂性
4 图机器学习的应用

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

个人笔记

Digital Garden | 王半仙

1 图的基本操作

1.1 图的创建与类型

中文标题：模型融合配方的迭代优化

英文标题：Evolutionary Optimization of Model Merging Recipes

发布平台：预印本

发布日期：2024-03-19

引用量（非实时）：

基本概念

中文标题：struc2vec: 从结构性标识中学习节点的表示

英文标题：struc2vec: Learning Node Represen

中文标题：LINE：针对大规模信息网络的嵌入表示

英文标题：LINE: Large-scale Information Network Embedding

发布平台：

图嵌入表示

1 图嵌入表示

1 课程简介