静静喜欢大白
静静喜欢大白

【GNN报告】ICT敖翔：图机器学习应对金融欺诈对抗攻击

目录

1、简介

2、图机器学习应对金融欺诈对抗攻击

背景

 图机器学习识别金融欺诈 

 挑战 

挑战1-类别不平衡的解决 

挑战2-标签不可信的解决

挑战3-分布有漂移的解决 

图机器学习应对欺诈对抗攻击

从数据角度出发 

从攻击者角度出发 （倾向于添加异构边）

总结展望

问答 

3、参考

1、简介

报告主题

图机器学习应对金融欺诈对抗攻击

报告嘉宾

敖翔（中国科学院计算技术研究所）

【GNN报告】ICT敖翔：图机器学习应对金融欺诈对抗攻击_第1张图片

报告摘要

近年来，图机器学习方法由于其强大的关联特征提取能力，在数字金融反欺诈应用中取得了显著成效。然而，该场景中的动态对抗成为了制约图机器学习方法取得进一步提升的重要挑战之一。如何净化图结构中已存在的对抗攻击，如何增强图机器学习的鲁棒性提升分布外样本的泛化能力，成为近期研究热点。本报告将围绕图的同异质性偏好假设、对抗攻防、可解释性等技术，介绍图机器学习方法在应对动态对抗、增强分布外泛化能力和可解释性方面的研究进展，并探讨此方向值得关注的技术趋势。

报告人简介

敖翔，博士，中国科学院计算技术研究所副研究员，硕士生导师，CCF高级会员。研究方向为智能金融、数据挖掘与自然语言处理。先后主持国家自然科学基金项目3项，CCF-腾讯犀牛鸟科研基金（获优秀奖）、腾讯广告犀牛鸟专项基金、阿里巴巴AIR计划（获优秀学术合作项目）、蚂蚁金服金融安全专项基金等10余项科研项目，在IEEE TKDE、KDD、WWW、ICDE、SIGIR、ACL、AAAI、IJCAI等国际权威期刊和会议上发表论文60余篇，其中CCF A类30余篇。入选北京市科技新星、中科院青促会、微软亚洲研究院“铸星计划”。担任SIGKDD、WWW、ACL、AAAI、IJCAI等学术会议的高级程序委员或程序委员。

2、图机器学习应对金融欺诈对抗攻击

背景

【GNN报告】ICT敖翔：图机器学习应对金融欺诈对抗攻击_第2张图片

 【GNN报告】ICT敖翔：图机器学习应对金融欺诈对抗攻击_第3张图片

 【GNN报告】ICT敖翔：图机器学习应对金融欺诈对抗攻击_第4张图片

 【GNN报告】ICT敖翔：图机器学习应对金融欺诈对抗攻击_第5张图片

【GNN报告】ICT敖翔：图机器学习应对金融欺诈对抗攻击_第6张图片

 图机器学习识别金融欺诈 

【GNN报告】ICT敖翔：图机器学习应对金融欺诈对抗攻击_第7张图片

 获取数据集

【GNN报告】ICT敖翔：图机器学习应对金融欺诈对抗攻击_第8张图片

 数据很多，标签也易获得（监督学习）

用户注册时+用户活动+用户关系收集【GNN报告】ICT敖翔：图机器学习应对金融欺诈对抗攻击_第9张图片

 拿到数据后就可以训练模型，如下

【GNN报告】ICT敖翔：图机器学习应对金融欺诈对抗攻击_第10张图片

为啥使用图机器学习？

【GNN报告】ICT敖翔：图机器学习应对金融欺诈对抗攻击_第11张图片

 挑战 

 存在三个挑战

【GNN报告】ICT敖翔：图机器学习应对金融欺诈对抗攻击_第12张图片  

挑战1-类别不平衡的解决 

 类别不平衡：坏人还是少的

【GNN报告】ICT敖翔：图机器学习应对金融欺诈对抗攻击_第13张图片

 默认整个数据集都有label【GNN报告】ICT敖翔：图机器学习应对金融欺诈对抗攻击_第14张图片

 重采样

先对正常和非正常的节点采样差不多的量；之后距离自适应采样

【GNN报告】ICT敖翔：图机器学习应对金融欺诈对抗攻击_第15张图片

【GNN报告】ICT敖翔：图机器学习应对金融欺诈对抗攻击_第16张图片

少数类别做过采样+降采样；多数类别值做降采样 【GNN报告】ICT敖翔：图机器学习应对金融欺诈对抗攻击_第17张图片

 框架

其实就是在GNN聚合之前做了采样（集合的扰动）

【GNN报告】ICT敖翔：图机器学习应对金融欺诈对抗攻击_第18张图片

 实验结果

【GNN报告】ICT敖翔：图机器学习应对金融欺诈对抗攻击_第19张图片

baseline

【GNN报告】ICT敖翔：图机器学习应对金融欺诈对抗攻击_第20张图片 真实数据集上提升会多些【GNN报告】ICT敖翔：图机器学习应对金融欺诈对抗攻击_第21张图片

 实验分析可以采纳

挑战2-标签不可信的解决

所谓的好人可能不是好人，有可能检测错误-误判（也就是白样本能不能用，用多少的问题）

可以采样小规模白样本套模型做（未做报告）

【GNN报告】ICT敖翔：图机器学习应对金融欺诈对抗攻击_第22张图片

挑战3-分布有漂移的解决 

时序图，在图变化过程中，图的分布发生了改变

引出下文做的欺诈对抗攻击

【GNN报告】ICT敖翔：图机器学习应对金融欺诈对抗攻击_第23张图片

图机器学习应对欺诈对抗攻击

【GNN报告】ICT敖翔：图机器学习应对金融欺诈对抗攻击_第24张图片

从数据角度出发 

【GNN报告】ICT敖翔：图机器学习应对金融欺诈对抗攻击_第25张图片

【GNN报告】ICT敖翔：图机器学习应对金融欺诈对抗攻击_第26张图片

 识别攻击恢复图结构

从数据的角度解决，识别噪声则消除该噪声

【GNN报告】ICT敖翔：图机器学习应对金融欺诈对抗攻击_第27张图片

 以往方法【GNN报告】ICT敖翔：图机器学习应对金融欺诈对抗攻击_第28张图片

对比学习

在采样上改进

【GNN报告】ICT敖翔：图机器学习应对金融欺诈对抗攻击_第29张图片

 核心关键

【GNN报告】ICT敖翔：图机器学习应对金融欺诈对抗攻击_第30张图片

图净化 

【GNN报告】ICT敖翔：图机器学习应对金融欺诈对抗攻击_第31张图片 实验

【GNN报告】ICT敖翔：图机器学习应对金融欺诈对抗攻击_第32张图片

 【GNN报告】ICT敖翔：图机器学习应对金融欺诈对抗攻击_第33张图片

从攻击者角度出发 （倾向于添加异构边）

攻击者提升了自身的异质偏好的概率

【GNN报告】ICT敖翔：图机器学习应对金融欺诈对抗攻击_第34张图片

 【GNN报告】ICT敖翔：图机器学习应对金融欺诈对抗攻击_第35张图片

 【GNN报告】ICT敖翔：图机器学习应对金融欺诈对抗攻击_第36张图片

【GNN报告】ICT敖翔：图机器学习应对金融欺诈对抗攻击_第37张图片

大部分情况下是正常节点，少数异常节点 

【GNN报告】ICT敖翔：图机器学习应对金融欺诈对抗攻击_第38张图片

 【GNN报告】ICT敖翔：图机器学习应对金融欺诈对抗攻击_第39张图片

 降低偏差，提升异质节点偏好的性能

【GNN报告】ICT敖翔：图机器学习应对金融欺诈对抗攻击_第40张图片

 【GNN报告】ICT敖翔：图机器学习应对金融欺诈对抗攻击_第41张图片

 在模型训练上改进（设置不同seed等）

直接置0（相当于做了mask）

【GNN报告】ICT敖翔：图机器学习应对金融欺诈对抗攻击_第42张图片

实验结果

 【GNN报告】ICT敖翔：图机器学习应对金融欺诈对抗攻击_第43张图片

总结展望

【GNN报告】ICT敖翔：图机器学习应对金融欺诈对抗攻击_第44张图片 数据缺失

【GNN报告】ICT敖翔：图机器学习应对金融欺诈对抗攻击_第45张图片 落地上

【GNN报告】ICT敖翔：图机器学习应对金融欺诈对抗攻击_第46张图片

其中在可解释性上有初步研究成果

指定边关系传播（使用元图指导消息传递）

定义搜索空间，然后将NAS引入

【GNN报告】ICT敖翔：图机器学习应对金融欺诈对抗攻击_第47张图片 【GNN报告】ICT敖翔：图机器学习应对金融欺诈对抗攻击_第48张图片

【GNN报告】ICT敖翔：图机器学习应对金融欺诈对抗攻击_第49张图片 发现特征传播就足够

 【GNN报告】ICT敖翔：图机器学习应对金融欺诈对抗攻击_第50张图片

【GNN报告】ICT敖翔：图机器学习应对金融欺诈对抗攻击_第51张图片

【GNN报告】ICT敖翔：图机器学习应对金融欺诈对抗攻击_第52张图片

问答 

1、异质偏好含义：

一条路径上两端节点label是相反的

2、构造的图稀疏

是的，现实生活中的图也是稀疏的（大规模稀疏图暂时也没什么好的方法，依旧处于探索中）

3、参考

LOGS 第2022/09/04期 ||中科院计算所敖翔：图机器学习应对金融欺诈对抗攻击

LOGS第20220904期 中科院计算所敖翔：图机器学习应对金融欺诈对抗攻击_哔哩哔哩_bilibili

Ao, Xiang-ICT, CAS-Homepage

你可能感兴趣的:(图神经网络,机器学习,金融,数据挖掘,GNN)

  • Python从0到100（七十六）：计算机视觉-直方图和自适应直方图均衡化 是Dream呀 python计算机视觉开发语言
    前言：零基础学Python：Python从0到100最新最全教程。想做这件事情很久了，这次我更新了自己所写过的所有博客，汇集成了Python从0到100，共一百节课，帮助大家一个月时间里从零基础到学习Python基础语法、Python爬虫、Web开发、计算机视觉、机器学习、神经网络以及人工智能相关知识，成为学习学习和学业的先行者！欢迎大家订阅专栏：零基础学Python：Python从0到100最新
  • Digicert SSL 证书 https
    Digicert作为世界最早的证书品牌，是全球领先的数字安全解决方案提供商，Digicert在SSL证书领域具有显著的市场份额和影响力。DigicertSSL证书以其高度的安全性和可靠性赢得了全球用户的信赖。众多金融机构、政府机构、电子商务网站等关键领域都选择了DigicertSSL证书来保护其网络通信安全。一、基本功能加密通信：通过使用公钥加密技术，确保用户与网站之间的数据传输是安全的。身份验证
  • 机器学习之线性代数 珠峰日记 AI理论与实践机器学习线性代数人工智能
    文章目录一、引言：线性代数为何是AI的基石二、向量：AI世界的基本构建块（一）向量的定义（二）向量基础操作（三）重要概念三、矩阵：AI数据的强大容器（一）矩阵的定义（二）矩阵运算（三）矩阵特性（四）矩阵分解（五）Python示例（使用NumPy库）四、线性代数在AI中的应用（一）数据表示（二）降维：PCA（三）线性回归（四）计算机视觉（五）自然语言处理一、引言：线性代数为何是AI的基石在人工智能领
  • 2025精选VS经典：10款项目管理软件横评榜单
    为什么90%的项目经理都在用错工具？深夜11点，项目经理李然盯着甘特图上交错的红色预警线，第6次推翻项目排期——这已是本季度因工具协作不畅导致的第3次交付延期。在敏捷开发成为主流的2025年，“工具选型偏差”正以每年23%的速度吞噬着企业效率（数据来源：PMI2025年行业报告）。作为操盘过金融、IT、制造业等全领域项目的战略官，我发现“工具适配度”比功能强大更重要。本文将用WBS（工作分解结构）
  • 机器学习(Machine Learning) 七指琴魔御清绝 大数据学习
    原文链接：http://blog.csdn.net/zhoubl668/article/details/42921187希望转载的朋友，你可以不用联系我．但是一定要保留原文链接，因为这个项目还在继续也在不定期更新．希望看到文章的朋友能够学到更多．《BriefHistoryofMachineLearning》介绍:这是一篇介绍机器学习历史的文章，介绍很全面，从感知机、神经网络、决策树、SVM、Ada
  • 关联规则算法：揭秘数据中的隐藏关系，从理论到实战 秋声studio 机器学习算法详解关联规则算法数据挖掘Apriori算法FP-Growth算法大数据优化数据预处理增量式更新
    引言在当今数据驱动的时代，如何从海量数据中挖掘出有价值的信息成为了各行各业的核心挑战。关联规则算法作为数据挖掘领域的重要工具，能够帮助我们发现数据中隐藏的关联关系，从而为决策提供支持。无论是电商平台的商品推荐，还是医疗领域的疾病诊断，关联规则算法都展现出了强大的应用潜力。本文将从基础概念出发，逐步深入探讨关联规则算法的核心原理、经典算法及其优化策略。无论你是数据挖掘的初学者，还是希望进一步了解关联
  • 机器学习实战——音乐流派分类（主页有源码） 喵了个AI 机器学习实战机器学习分类人工智能
    ✨个人主页欢迎您的访问✨期待您的三连✨✨个人主页欢迎您的访问✨期待您的三连✨✨个人主页欢迎您的访问✨期待您的三连✨1.简介音乐流派分类是音乐信息检索（MusicInformationRetrieval,MIR）中的一个重要任务，旨在通过分析音频信号的特征，将音乐自动分类到不同的流派（如古典、摇滚、爵士、流行等）。随着数字音乐平台的普及，音乐流派分类技术被广泛应用于音乐推荐、自动标签生成和音乐库管理
  • AI大模型零基础金融人如何一周自学大模型，从零基础到入门，看这篇就够了！ 冻感糕人~ 人工智能金融AI大模型LLM大模型技术大模型学习路线大模型基础
    前几天参加了字节跳动在上海举办的火山引擎Force原动力大会，OpenAI也连续开了12天发布会，最近堪称科技界的春晚了。如果说2022年ChatGPT横空出世把人工智能的发展带上了一个新的台阶，那么2024年末，大模型对工作、生活的全面“侵入”让我们越来越接近库兹韦尔所描述的那个奇点时刻。作为金融民工，我们想通过这篇文章讲讲从用户的角度如何一周快速掌握大模型，以及为什么我建议每一个金融从业人员（
  • HarmonyNext实战案例：基于ArkTS的高性能分布式机器学习应用开发 harmonyos-next
    HarmonyNext实战案例：基于ArkTS的高性能分布式机器学习应用开发引言在HarmonyNext生态系统中，分布式机器学习是其核心特性之一。通过分布式机器学习，开发者可以充分利用多设备的计算资源，实现复杂模型的训练与推理。本文将深入探讨如何使用ArkTS12+语法开发一个高性能的分布式机器学习应用，涵盖从基础概念到高级技巧的全面讲解。通过本案例，您将学习到如何利用HarmonyNext的分
  • 使用Java对接StockTV印度股票数据源API实战指南 java爬虫
    关键词：JavaAPI开发、SpringBoot、WebSocket、ApacheHttpClient一、项目概述本指南将使用Java实现StockTV金融数据API的完整对接方案，包含以下核心模块：✅RESTAPI客户端：支持同步/异步调用✅WebSocket实时订阅：基于SpringWebSocket✅企业级特性：连接池管理、熔断降级✅生产就绪：完整的异常处理和监控二、环境准备1.技术栈要求J
  • 成功案例丨开发时间从1小时缩短到3分钟：如何利用历史数据训练AI模型，预测设计性能？ Altair澳汰尔 PhysicsAI仿真AI机器学习HyperWorks数据分析
    案例简介PhysicsAI™助力HEROMOTOCORP实现设计效率提升99%印度领先的跨国摩托车和踏板车制造商HeroMotoCorpLtd.（以下简称Hero）致力于通过将人工智能（AI）和机器学习技术融入有限元分析（FEA）流程，以加速产品开发周期。在其首个AI驱动项目——摩托车把手设计优化中，Hero采用了PhysicsAI™几何深度学习解决方案，利用历史数据训练AI模型并预测设计性能。A
  • Manus演示案例： 英伟达财务估值建模 解锁投资洞察的深度剖析 ylfhpy Manus深度学习人工智能机器学习机器翻译Manus
    在当今瞬息万变的金融投资领域，精准剖析企业价值是投资者决胜市场的关键。英伟达（NVIDIA），作为科技行业的耀眼明星，其在人工智能和半导体领域的卓越表现备受瞩目。Manus凭借专业的财务估值建模能力，深入挖掘英伟达的潜在价值，为投资者提供了一份极具价值的分析报告。Manus在接到为英伟达进行详细财务估值建模的任务后，迅速且有条不紊地开展工作。数据收集是建模的基石，其重要性不言而喻。在收集英伟达公司
  • Python学习指南：系统化路径 + 避坑建议 程之编 Python全栈通关秘籍青少年编程python开发语言人工智能机器学习
    新手小白学习编程就像搭积木——需要从基础开始，逐步构建知识体系。以下是为你量身定制的Python学习路径，帮你告别杂乱，高效入门！一、学习前的关键认知明确目标：想用Python做什么？数据分析（如Excel自动化、可视化）Web开发（如搭建网站）人工智能（如机器学习）自动化办公（如处理文件、邮件）目标不同，后续学习侧重点不同（但基础通用）。避免误区：❌只看教程不写代码✅边学边动手，哪怕抄代码也要运
  • 机器学习之KMeans算法 Mr终游 机器学习机器学习算法kmeans
    目录一、KMeans的核心思想二、KMeans算法流程三、KMeans的关键点1.优点：2.缺点：四、如何确定最佳k值1.肘部法则2.轮廓系数五、Kmeans的典型应用场景六、代码示例KMeans是一种广泛使用的无监督学习算法，主要用于聚类分析（Clustering）。它的目标是将数据集划分为K个互不重叠的子集（簇，Cluster），使得同一簇内的数据点尽可能相似，不同簇之间的数据点尽可能差异显著
  • Python机器学习实战：构建序列到序列(Seq2Seq)模型处理翻译任务 AGI大模型与大数据研究院 程序员提升自我硅基计算碳基计算认知计算生物计算深度学习神经网络大数据AIGCAGILLMJavaPython架构设计Agent程序员实现财富自由
    Python机器学习实战：构建序列到序列(Seq2Seq)模型处理翻译任务1.背景介绍1.1问题的由来翻译是跨语言沟通的重要桥梁，随着全球化进程的加速，翻译需求日益增长。传统的机器翻译方法主要依赖于规则和统计方法，如基于短语的翻译、基于统计的机器翻译等。然而，这些方法难以处理复杂的语言现象，翻译质量参差不齐。近年来，随着深度学习技术的快速发展，基于神经网络序列到序列（Sequence-to-Seq
  • 【漫话机器学习系列】130.主成分（Principal Components） IT古董 漫话机器学习系列专辑机器学习人工智能python
    主成分（PrincipalComponents）详解1.什么是主成分？主成分（PrincipalComponents，PCs）是数据集中方差最大的线性组合，它是主成分分析（PrincipalComponentAnalysis，PCA）中的核心概念。主成分可以看作是对原始特征的新表述方式，它通过数学变换找到一组新的正交坐标轴，使得数据的主要变化方向与这些轴对齐。简单来说：主成分是数据集中信息量（方差
  • 【实战ES】实战 Elasticsearch：快速上手与深度实践-6.2.2GDPR数据脱敏处理 言析数智 实战elasticsearch大数据搜索引擎
    点击关注不迷路点击关注不迷路点击关注不迷路文章大纲6.2.2GDPR数据脱敏处理深度实践指南1.GDPR核心要求映射1.1关键条款与技术要求1.2`数据类型与脱敏策略`2.全链路脱敏配置2.1`动态脱敏管道`2.2静态脱敏模板3.`脱敏算法性能对比`3.1算法性能矩阵3.2存储成本分析4.企业级合规方案4.1金融行业案例4.2医疗行业方案5.合规性验证方案5.1自动化检查脚本5.2审计检查清单6.
  • （六）Java-BigDecimal Kyrie_Li Java体系java开发语言
    一、概述BigDecimal类用于高精度计算，特别适用于需要进行精确浮点数运算的场合，例如货币计算、金融应用或科学计算。二、优势由于double和float类型是浮点数类型，它们在表示一些十进制数时会出现精度丢失问题，而BigDecimal则可以避免这些问题，提供任意精度的数值表示。三、特点1.任意精度：BigDecimal的精度仅受限于计算机的内存，而不像float和double有固定的精度限制
  • C++开源库大全 大王算法 C/C++开发实战365C++入门及项目实战宝典c++开源
    程序员要站在巨人的肩膀上，C++拥有丰富的开源库，这里包括：标准库、Web应用框架、人工智能、数据库、图片处理、机器学习、日志、代码分析等。标准库C++StandardLibrary：是一系列类和函数的集合，使用核心语言编写，也是C++ISO自身标准的一部分。
  • 领域大模型之微调技术和最佳实践 程序员莫玛 人工智能深度学习语言模型金融
    BERT和GPT-3等语言模型针对语言任务进行了预训练。微调使它们适应特定领域，如营销、医疗保健、金融。在本指南中，您将了解LLM架构、微调过程以及如何为NLP任务微调自己的预训练模型。-介绍-大型语言模型（LLM）的特别之处可以概括为两个关键词——大型和通用。“大”是指它们训练的海量数据集及其参数的大小，即模型在训练过程中学习的记忆和知识;“通用”意味着他们具有广泛的语言任务能力。更明确地说，L
  • 基于PyTorch的深度学习——机器学习3 Wis4e 深度学习机器学习pytorch
    激活函数在神经网络中作用有很多，主要作用是给神经网络提供非线性建模能力。如果没有激活函数，那么再多层的神经网络也只能处理线性可分问题。在搭建神经网络时，如何选择激活函数？如果搭建的神经网络层数不多，选择sigmoid、tanh、relu、softmax都可以；而如果搭建的网络层次较多，那就需要小心，选择不当就可导致梯度消失问题。此时一般不宜选择sigmoid、tanh激活函数，因它们的导数都小于1
  • AI 驱动的软件测试革命：从自动化到智能化的进阶之路 綦枫Maple AI+软件测试人工智能自动化运维
    引言：软件测试的智能化转型浪潮在数字化转型加速的今天，软件产品的迭代速度与复杂度呈指数级增长。传统软件测试依赖人工编写用例、执行测试的模式，已难以应对快速交付与高质量要求的双重挑战。人工智能技术的突破为测试领域注入了新动能，通过机器学习、深度学习、自然语言处理等技术，测试流程正从“被动验证”向“主动预防”演进。本文将深入探讨AI与软件测试的融合路径，结合技术原理、工具实践与行业趋势，为读者呈现一幅
  • XGBClassifiler函数介绍 浊酒南街 #算法机器学习XGB
    目录前言函数介绍示例前言XGBClassifier是XGBoost库中用于分类任务的类。XGBoost是一种高效且灵活的梯度提升决策树（GBDT）实现，它在多种机器学习竞赛中表现出色，尤其擅长处理表格数据。函数介绍XGBClassifiler(max_depth=3,learning_rate=0.1,n_estimators=100,objective='binary:logistic',boo
  • 基于大数据架构的就业岗位推荐系统的设计与实现【java或python】—计算机毕业设计源码+LW文档 qq_375279829 大数据架构python课程设计算法
    摘要随着互联网技术的迅猛发展和大数据时代的到来，就业市场日益复杂多变，求职者与招聘方之间的信息不对称问题愈发突出。为解决这一难题，本文设计并实现了一个基于大数据架构的就业岗位推荐系统。该系统通过收集、整合并分析大量求职者简历信息、企业招聘信息以及市场动态数据，运用先进的机器学习算法，为求职者提供个性化的岗位推荐服务，同时帮助企业快速定位到合适的候选人。本文将从系统设计的背景与意义、技术基础、需求分
  • 向量数据库简介 openwin_top python编程示例系列python编程示例系列二数据库
    向量数据库（VectorDatabase）是一种专门用于存储和查询向量数据的数据库系统。向量数据库通常使用高效的向量索引技术，支持基于向量相似度的查询和检索，可以应用于图像搜索、自然语言处理、推荐系统、机器学习等领域。与传统的关系型数据库不同，向量数据库通常使用基于向量的数据模型，将向量作为数据的核心表示形式。向量数据库可以存储和处理大量的向量数据，支持高效的向量相似度计算和查询。常见的向量索引技
  • Ubuntu22.04安装CP2K最新版2025.1 jhonwyyc 机器学习深度学习ubuntu
    CP2K教程CP2K系列之一安装文章目录CP2K教程前言一、安装依赖库1.引入库二、下载并解压缩1.下载链接2.解压缩三、安装1.安装cp2k_toolchain2.安装cp2k3.指定根目录4.修改环境变量四、测试总结前言CP2K是一款开源的第一性原理计算软件，采用Fortran98编写。近年来结合机器学习与lammps，已成为热度逐年增加的软件。但是目前使用它仍存在不少难点。本文讲解在Ubun
  • Azure AI Document Intelligence 使用指南 scaFHIO azure人工智能flaskpython
    AzureAIDocumentIntelligence使用指南AzureAIDocumentIntelligence（原名AzureFormRecognizer）是一项基于机器学习的服务，可以从数字或扫描PDF、图像、Office和HTML文件中提取文本（包括手写）、表格、文档结构（如标题、节标题等）和键值对。它支持多种格式，包括PDF、JPEG/JPG、PNG、BMP、TIFF、HEIF、DOC
  • 鸢尾花数据集的四个特征具体是什么？ 学术乙方 Python人工智能
    鸢尾花数据集（IrisDataset）是机器学习领域中最经典的数据集之一，它包含150个样本，每个样本有4个特征，分别是：1.花萼长度（SepalLength）描述：花萼（花的外部绿色部分）的长度，单位为厘米。取值范围：通常为4.3cm到7.9cm。2.花萼宽度（SepalWidth）描述：花萼的宽度，单位为厘米。取值范围：通常为2.0cm到4.4cm。3.花瓣长度（PetalLength）描述：
  • OLAP与OLTP：数据处理系统的两种核心架构 思静鱼 #Mysql-数据库架构
    文章目录OLAP和OLTP的主要区别OLAP常见数据库和OLTP常见数据库OLAP是英文OnlineAnalyticalProcessing的缩写，中文称为联机分析处理。它是一种基于多维数据模型的分析处理技术，用于从不同的角度进行数据挖掘和分析，以帮助用户快速发现数据之间的相关性和趋势。OLAP技术通常涉及到预计算、缓存和查询优化等方面的技术，可用于构建在线分析系统（OLAP系统）。该系统将大量的
  • 《美图AI：解锁视觉创作新宇宙》 空云风语 人工智能人工智能
    美图AI：开启视觉创作新时代在当今数字化浪潮汹涌澎湃的时代，人工智能（AI）已成为推动各领域变革与创新的核心驱动力。从智能家居到智能交通，从医疗保健到金融服务，AI的身影无处不在，正以前所未有的速度改变着我们的生活和工作方式。在视觉创作领域，AI同样掀起了一场革命，而美图AI便是这场革命中的佼佼者，成为无数创作者和普通用户手中的得力工具，引领着视觉创作进入一个全新的时代。回首视觉创作的发展历程，从
  • eclipse maven IXHONG eclipse
    eclipse中使用maven插件的时候，运行run as maven build的时候报错 -Dmaven.multiModuleProjectDirectory system propery is not set. Check $M2_HOME environment variable and mvn script match.   可以设一个环境变量M2_HOME指
  • timer cancel方法的一个小实例 alleni123 多线程timer
    package com.lj.timer; import java.util.Date; import java.util.Timer; import java.util.TimerTask; public class MyTimer extends TimerTask { private int a; private Timer timer; pub
  • MySQL数据库在Linux下的安装 ducklsl mysql
    1.建好一个专门放置MySQL的目录 /mysql/db数据库目录 /mysql/data数据库数据文件目录 2.配置用户，添加专门的MySQL管理用户 >groupadd mysql ----添加用户组 >useradd -g mysql mysql ----在mysql用户组中添加一个mysql用户 3.配置，生成并安装MySQL >cmake -D
  • spring------>>cvc-elt.1: Cannot find the declaration of element Array_06 springbean
    将-------- <?xml version="1.0" encoding="UTF-8"?> <beans xmlns="http://www.springframework.org/schema/beans"     xmlns:xsi="http://www.w3
  • maven发布第三方jar的一些问题 cugfy maven
    maven中发布 第三方jar到nexus仓库使用的是 deploy:deploy-file命令 有许多参数，具体可查看 http://maven.apache.org/plugins/maven-deploy-plugin/deploy-file-mojo.html 以下是一个例子： mvn  deploy:deploy-file -DgroupId=xpp3
  • MYSQL下载及安装 357029540 mysql
        好久没有去安装过MYSQL，今天自己在安装完MYSQL过后用navicat for mysql去厕测试链接的时候出现了10061的问题，因为的的MYSQL是最新版本为5.6.24，所以下载的文件夹里没有my.ini文件，所以在网上找了很多方法还是没有找到怎么解决问题，最后看到了一篇百度经验里有这个的介绍，按照其步骤也完成了安装，在这里给大家分享下这个链接的地址
  • ios TableView cell的布局 张亚雄 tableview
      cell.imageView.image = [UIImage imageNamed:[imageArray objectAtIndex:[indexPath row]]];           CGSize itemSize = CGSizeMake(60, 50);   &nbs
  • Java编码转义 adminjun java编码转义
    import java.io.UnsupportedEncodingException; /** * 转换字符串的编码 */ public class ChangeCharset { /** 7位ASCII字符，也叫作ISO646-US、Unicode字符集的基本拉丁块 */ public static final Strin
  • Tomcat 配置和spring aijuans spring
    简介 Tomcat启动时，先找系统变量CATALINA_BASE，如果没有，则找CATALINA_HOME。然后找这个变量所指的目录下的conf文件夹，从中读取配置文件。最重要的配置文件：server.xml 。要配置tomcat，基本上了解server.xml，context.xml和web.xml。 Server.xml --  tomcat主
  • Java打印当前目录下的所有子目录和文件 ayaoxinchao 递归File
    其实这个没啥技术含量，大湿们不要操笑哦，只是做一个简单的记录，简单用了一下递归算法。   import java.io.File; /** * @author Perlin * @date 2014-6-30 */ public class PrintDirectory { public static void printDirectory(File f
  • linux安装mysql出现libs报冲突解决 BigBird2012 linux
    linux安装mysql出现libs报冲突解决 安装mysql出现 file /usr/share/mysql/ukrainian/errmsg.sys from install of MySQL-server-5.5.33-1.linux2.6.i386 conflicts with file from package mysql-libs-5.1.61-4.el6.i686  
  • jedis连接池使用实例 bijian1013 redisjedis连接池jedis
    实例代码： package com.bijian.study; import java.util.ArrayList; import java.util.List; import redis.clients.jedis.Jedis; import redis.clients.jedis.JedisPool; import redis.clients.jedis.JedisPoo
  • 关于朋友 bingyingao 朋友兴趣爱好维持
      成为朋友的必要条件：    志相同，道不合，可以成为朋友。譬如马云、周星驰一个是商人，一个是影星，可谓道不同，但都很有梦想，都要在各自领域里做到最好，当他们遇到一起，互相欣赏，可以畅谈两个小时。     志不同，道相合，也可以成为朋友。譬如有时候看到两个一个成绩很好每次考试争做第一，一个成绩很差的同学是好朋友。他们志向不相同，但他
  • 【Spark七十九】Spark RDD API一 bit1129 spark
    aggregate package spark.examples.rddapi import org.apache.spark.{SparkConf, SparkContext} //测试RDD的aggregate方法 object AggregateTest { def main(args: Array[String]) { val conf = new Spar
  • ktap 0.1 released bookjovi kerneltracing
    Dear, I'm pleased to announce that ktap release v0.1, this is the first official release of ktap project, it is expected that this release is not fully functional or very stable and we welcome bu
  • 能保存Properties文件注释的Properties工具类 BrokenDreams properties
            今天遇到一个小需求：由于java.util.Properties读取属性文件时会忽略注释，当写回去的时候，注释都没了。恰好一个项目中的配置文件会在部署后被某个Java程序修改一下，但修改了之后注释全没了，可能会给以后的参数调整带来困难。所以要解决这个问题。     &nb
  • 读《研磨设计模式》-代码笔记-外观模式-Facade bylijinnan java设计模式
    声明： 本文只为方便我个人查阅和理解，详细的分析以及源代码请移步 原作者的博客http://chjavach.iteye.com/ /* * 百度百科的定义： * Facade（外观）模式为子系统中的各类（或结构与方法）提供一个简明一致的界面， * 隐藏子系统的复杂性，使子系统更加容易使用。他是为子系统中的一组接口所提供的一个一致的界面 * * 可简单地
  • After Effects教程收集 cherishLC After Effects
    1、中文入门 http://study.163.com/course/courseMain.htm?courseId=730009 2、videocopilot英文入门教程（中文字幕） http://www.youku.com/playlist_show/id_17893193.html 英文原址： http://www.videocopilot.net/basic/ 素
  • Linux Apache 安装过程 crabdave apache
    Linux Apache 安装过程   下载新版本： apr-1.4.2.tar.gz（下载网站：http://apr.apache.org/download.cgi） apr-util-1.3.9.tar.gz（下载网站：http://apr.apache.org/download.cgi） httpd-2.2.15.tar.gz（下载网站：http://httpd.apac
  • Shell学习 之 变量赋值和引用 daizj shell变量引用赋值
    本文转自：http://www.cnblogs.com/papam/articles/1548679.html Shell编程中，使用变量无需事先声明，同时变量名的命名须遵循如下规则： 首个字符必须为字母（a-z，A-Z） 中间不能有空格，可以使用下划线（_） 不能使用标点符号 不能使用bash里的关键字（可用help命令查看保留关键字） 需要给变量赋值时，可以这么写：
  • Java SE 第一讲（Java SE入门、JDK的下载与安装、第一个Java程序、Java程序的编译与执行） dcj3sjt126com javajdk
    Java SE 第一讲： Java SE：Java Standard Edition Java ME: Java Mobile Edition Java EE：Java Enterprise Edition Java是由Sun公司推出的（今年初被Oracle公司收购）。 收购价格：74亿美金 J2SE、J2ME、J2EE JDK：Java Development
  • YII给用户登录加上验证码 dcj3sjt126com yii
    1、在SiteController中添加如下代码： /** * Declares class-based actions. */ public function actions() { return array( // captcha action renders the CAPTCHA image displ
  • Lucene使用说明 dyy_gusi Lucenesearch分词器
    Lucene使用说明 1、lucene简介 1.1、什么是lucene     Lucene是一个全文搜索框架，而不是应用产品。因此它并不像baidu或者googleDesktop那种拿来就能用，它只是提供了一种工具让你能实现这些产品和功能。 1.2、lucene能做什么     要回答这个问题，先要了解lucene的本质。实际
  • 学习编程并不难,做到以下几点即可! gcq511120594 数据结构编程算法
    不论你是想自己设计游戏，还是开发iPhone或安卓手机上的应用，还是仅仅为了娱乐，学习编程语言都是一条必经之路。编程语言种类繁多，用途各 异，然而一旦掌握其中之一，其他的也就迎刃而解。作为初学者，你可能要先从Java或HTML开始学，一旦掌握了一门编程语言，你就发挥无穷的想象，开发 各种神奇的软件啦。 1、确定目标 学习编程语言既充满乐趣，又充满挑战。有些花费多年时间学习一门编程语言的大学生到
  • Java面试十问之三：Java与C++内存回收机制的差别 HNUlanwei javaC++finalize()堆栈内存回收
    大家知道， Java 除了那 8 种基本类型以外，其他都是对象类型（又称为引用类型）的数据。 JVM 会把程序创建的对象存放在堆空间中，那什么又是堆空间呢？其实，堆（ Heap）是一个运行时的数据存储区，从它可以分配大小各异的空间。一般，运行时的数据存储区有堆（ Heap）和堆栈（ Stack），所以要先看它们里面可以分配哪些类型的对象实体，然后才知道如何均衡使用这两种存储区。一般来说，栈中存放的
  • 第二章 Nginx+Lua开发入门 jinnianshilongnian nginxlua
    Nginx入门 本文目的是学习Nginx+Lua开发，对于Nginx基本知识可以参考如下文章： nginx启动、关闭、重启 http://www.cnblogs.com/derekchen/archive/2011/02/17/1957209.html agentzh 的 Nginx 教程 http://openresty.org/download/agentzh-nginx-tutor
  • MongoDB windows安装 基本命令 liyonghui160com
      windows安装    安装目录：   D:\MongoDB\   新建目录   D:\MongoDB\data\db   4.启动进城：   cd D:\MongoDB\bin   mongod -dbpath D:\MongoDB\data\db   &n
  • Linux下通过源码编译安装程序 pda158 linux
    一、程序的组成部分 　　Linux下程序大都是由以下几部分组成： 　　二进制文件：也就是可以运行的程序文件 　　库文件：就是通常我们见到的lib目录下的文件 　　配置文件：这个不必多说，都知道 　　帮助文档：通常是我们在linux下用man命令查看的命令的文档 　　 二、linux下程序的存放目录 　　linux程序的存放目录大致有三个地方： 　　/etc, /b
  • WEB开发编程的职业生涯４个阶段 shw3588 编程Web工作生活
    觉得自己什么都会 2007年从学校毕业，凭借自己原创的ASP毕业设计，以为自己很厉害似的，信心满满去东莞找工作，找面试成功率确实很高，只是工资不高，但依旧无法磨灭那过分的自信，那时候什么考勤系统、什么OA系统、什么ERP，什么都觉得有信心，这样的生涯大概持续了约一年。 根本不是自己想的那样 2008年开始接触很多工作相关的东西，发现太多东西自己根本不会，都需要去学，不管是asp还是js，
  • 遭遇jsonp同域下变作post请求的坑 vb2005xu jsonp同域post
    今天迁移一个站点时遇到一个坑爹问题,同一个jsonp接口在跨域时都能调用成功,但是在同域下调用虽然成功,但是数据却有问题. 此处贴出我的后端代码片段 $mi_id = htmlspecialchars(trim($_GET['mi_id '])); $mi_cv = htmlspecialchars(trim($_GET['mi_cv ']));  贴出我前端代码片段: $.aj
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他