图神经网络论文解读第4页

EVA-CLIP: Improved Training Techniques for CLIP at Scale论文解读

文章目录前言一、摘要二、引言三、贡献四、模型方法五、论文链接总结前言最近，我一直在搞多模态大模型相关工作，也深知CLIP结构重要性，而EVA-CLIP论文是在CLIP模型基础上进行了一系列trick，实现优越CLIP模型的方法，恰巧该EVA-CLIP也被CogVLM模型作为图像特征提取。为此，我将在本博客对EVA-CLIP论文进行解读。一、摘要对比图形文本预训练模型，简称CLIP，因其在多个场景潜

tangjunjun-owen·2024-01-15 06:39

论文解读：《开发和验证深度学习系统对黄斑裂孔的病因进行分类并预测解剖结果》

论文解读：《Developmentandvalidationofadeeplearningsystemtoclassifyaetiologyandpredictanatomicaloutcomesofmacularhole

风灬陌·2024-01-15 04:16

高光谱分类论文解读分享之基于形态卷积神经网络的高光谱影像分类

IEEETGRS2021：基于形态卷积神经网络的高光谱影像分类题目MorphologicalConvolutionalNeuralNetworksforHyperspectralImageClassification作者SwalpaKumarRoy;RanjanMondal;MercedesE.Paoletti;JuanM.Haut;AntonioPlaza关键词Classification,co

曦曦逆风·2024-01-15 04:16

论文解读--High Fidelity Physics Simulation of 128 Channel MIMO Sensor for 77GHz Automotive Radar

77GHz汽车雷达128通道MIMO传感器的高准确度物理仿真摘要汽车雷达是先进驾驶辅助系统(ADAS)和全自动驾驶汽车的使能技术之一。在复杂的城市环境中导航的自动驾驶汽车，除了需要以相当高的分辨率确定目标的距离和速度外，还需要具有高方位角和高俯仰角分辨率的雷达传感器。尺寸和成本限制限制了可用于实现高分辨率到达方向(DoA)估计的天线的物理数量。多输入/多输出(MIMO)方案使用比单输入/多输出(S

奔袭的算法工程师·2024-01-14 23:29

AAAI 2023 | 图神经网络学习同构计数

©PaperWeekly原创·作者|于星橦单位|中国科学技术大学博士生研究方向|图神经网络论文题目：LearningtoCountIsomorphismswithGraphNeuralNetworks论文链接

PaperWeekly·2024-01-14 20:42

Quick taxi route assignment via real-time intersection state prediction

Quicktaxirouteassignmentviareal-timeintersectionstatepredictionwithaspatial-temporalgraphneuralnetwork（通过时空图神经网络实时交叉口状态预测快速分配出租车路线

llddycidy·2024-01-14 16:01

STEGNN

本文介绍了STEGNN：一种用于路网预测的新型时空嵌入图神经网络。STEGNN的主要思想是利用余弦相似性生成高质量的时空图，从而填补了交通图时空相关性之间的空白，其中包括：(i)基于交通图的

llddycidy·2024-01-14 16:30

NLP论文解读：无需模板且高效的语言微调模型（下）

©原创作者|苏菲论文题目：Prompt-freeandEfficientLanguageModelFine-Tuning论文作者：RabeehKarimiMahabadi论文地址：https://openreview.net/pdf?id=6o5ZEtqP2g02PERFECT：无需Patterns和Verbalizer的微调模型这个模型主要包含三个部分：1）无需pattern的任务描述，使用了一

NLP论文解读·2024-01-14 15:40

图神经网络实战——图神经网络基础

图神经网络基础0.前言1.图2.图学习3.图神经网络小结0.前言近年来，从社交网络到分子生物学等各个领域，数据的图表示越来越普遍。

盼小辉丶·2024-01-14 13:46

[代码复现]BrainGNN: Interpretable Brain Graph Neural Network for fMRI Analysis

目录1.论文资料2.代码复现步骤及可能存在的问题2.1.环境配置2.2.代码运行3.为啥跑这个代码1.论文资料（1）论文原文：BrainGNN：用于fMRI分析的可解释脑图神经网络-ScienceDirect

夏莉莉iy·2024-01-14 13:55

【论文解读】SiamMAE：用于从视频中学习视觉对应关系的 MAE 简单扩展

来源：投稿作者：橡皮编辑：学姐论文链接：https://siam-mae-video.github.io/resources/paper.pdf项目主页：https://siam-mae-video.github.io/1.背景时间是视觉学习背景下的一个特殊维度，它提供了一种结构，在该结构中，可以感知顺序事件、学习因果关系、跟踪物体在空间中的移动，以及预测未来事件。所有这些功能的核心是随着时间的推

深度之眼·2024-01-14 11:03

【GNN2】PyG完成图分类任务，新手入门，保姆级教程

【GNN1】PyG实现图神经网络，完成节点分类任务，人话、保姆级教程-CSDN博客图分类就是以图为单位的分类，举个例子：每个学校都有社交关系网，图分类就是通过这个社交网络判别这个学校是小学、初中、高中还是大学

Dream of Grass·2024-01-14 06:04

FasterNet（CVPR 2023）论文解读

paper：Run,Don'tWalk:ChasingHigherFLOPSforFasterNeuralNetworksofficialimplementation：https://github.com/jierunchen/fasternet存在的问题为了设计轻量、速度快的网络，许多工作都专注于减少floating-pointoperations(FLOPs)。但FLOPs的减少并不一定意味着

00000cj·2024-01-14 05:36

基于图神经网络的动态物化视图管理

本期PaperReading主要介绍了发布于2023年ICDE的论文《DynamicMaterializedViewManagementusingGraphNeuralNetwork》，该文研究了动态物化视图管理问题，提出了一个基于GNN的模型。在真实的数据集上的实验结果表明，取得了更高的质量。一、背景物化视图（MaterializedViews，下文简称MVs）在数据库管理系统中起着至关重要的作

KaiwuDB 数据库·2024-01-13 23:44

论文解读 | 自动编译框架AMOS

软件到硬件资源的自动映射是编译器的一项重要技术，也是业界研究的一个热门方向。本文主要观点来自发表在计算机体系结构领域顶级会议ISCA2022上的一篇论文——AMOS:EnablingAutomaticMappingforTensorComputationsOnSpatialAcceleratorswithHardwareAbstraction，希望可以给读者一些启发。1.摘要如今计算设备逐渐向专用

Linux基金会AI&Data基金会·2024-01-12 15:59

科研学习|论文解读——信息世界映射方法

题目：信息世界映射的下一步是什么？在情境中理解信息行为/实践的国际化和多学科方法（Whatisnextforinformationworldmapping?Internationalandmultidisciplinaryapproachestounderstandinginformationbehaviors/practicesincontext）1.引言信息世界映射（IWM）是一种以艺术为基础

博士僧小星·2024-01-12 15:27

图神经网络自监督学习工具箱 - CPT-HG（一）

WeChatSearchApplicationDepartment,TencentInc.】ContrastivePre-TrainingofGNNsonHeterogeneousGraphs核心要点文章旨在解决现有预训练图神经网络方法仅仅适用于同质图

processor4d·2024-01-12 15:29

2024年1月10日最热AI论文Top5：DebugBench、AI智能体对齐、开放域问答系统、谈判游戏、联邦学习

夕小瑶·2024-01-12 05:44

今日最佳NLP大模型论文解读：【Advancing Spatial Reasoning in Large Language Models: An In-Depth Evaluation ......

本文由赛博马良（http://saibomaliang.com）AI专家——AI论文解读达人推荐选题&撰写生成。

夕小瑶·2024-01-12 05:43

今日最佳计算机视觉论文解读：Dr^2Net: Dynamic Reversible Dual-Residual Networks for Memory-Efficient Finetuning

单图像秒变3D：新型AGG框架打破传统，实现实时3D生成引言：单图像到3D生成的挑战与进展随着虚拟现实和增强现实技术的迅速发展，自动化3D内容创建的需求不断增长。为了从单一图像生成3D对象，研究者们探索了各种3D表示方法。其中，基于3D高斯散射的模型因其卓越的渲染效率而在3D重建和生成方面取得了突出成就。然而，现有的基于图像生成3D的高斯散射方法通常是基于优化的，需要多个计算成本高昂的得分提炼步骤

夕小瑶·2024-01-12 05:13

今日最佳AI论文5篇：高效微调、图生3D、AI Agent、大模型ChatGPT、图学习

夕小瑶·2024-01-12 05:13

2024年1月11日最热AI论文Top5：开源界Stable Diffusion杀手、Prompt-tuning、零和游戏博弈

以下内容由赛博马良-「AI论文解读达人」智能体生成，人工整理排版。「AI论文解读达人」智能体可提供每日最热论文推荐、AI论文解读等功能。

夕小瑶·2024-01-12 05:40

图神经网络预训练 (4) - 节点属性预测 Attribute Prediction + 监督学习代码

我们继续剖析StrategiesforPre-trainingGraphNeuralNetworks一文。上一文中介绍了子结构预测的预训练方法（ContextPrediction）。对于一个多层的深度学习模型，在分子图上训练主模型，在子图上训练层数较少的子模型，限制（损失是）主模型上与子模型的嵌入向量相似，保证子结构环境相似的节点在随着模型的层数增加时仍能保持相似的嵌入向量，意味着化学环境相似的结

wufeil·2024-01-12 04:57

Deepchem的分子特征化方法之图神经网络特征化（ConvMolFeaturizer / WeaveFeaturizer）解析

bywufeil在Deepchem提供的分子特征化方法中，有两个方法是适用于图神经网络的，分别为：ConvMolFeaturizer和WeaveFeaturizer。

wufeil·2024-01-12 04:55

使用Deepchem构建化学分子的神经网络和图神经网络模型示例

使用Deepchem构建化学分子的神经网络和图神经网络模型示例bywufeilDeepchem包含了很多的化学分子的数据集，同时也有将分子结构转换为机器学习能够识别的矩阵（序列）数据的方法，下面就来简单举几个例子

wufeil·2024-01-12 04:25

复杂网络传染动力学的深度学习

我们的图神经网络架构对动态的假设很少，我们使用不同复杂性的传染动态证明了其准确性。通过允许在任意网络结构上

ones~·2024-01-11 17:49

实时语义分割模型PP-LiteSeg论文解读

paper：PP-LiteSeg:ASuperiorReal-TimeSemanticSegmentationModelofficialimplementation：https://github.com/PaddlePaddle/PaddleSeg/blob/release/2.8/paddleseg/models/pp_liteseg.py本文的创新点提出了一种灵活的轻量级解码器（Flexibl

00000cj·2024-01-11 15:11

《Training language models to follow instructions》论文解读--训练语言模型遵循人类反馈的指令

1摘要使语言模型更大并不能使它们更好地遵循用户的意图。例如，大型语言模型可能生成不真实的、有害的或对用户没有帮助的输出。换句话说，这些模型与它们的用户并不一致。在本文中，我们展示了一种方法，通过对人类反馈进行微调（核心idea），在广泛的任务中使语言模型与用户意图保持一致。从一组标注器编写的提示和通过OpenAIAPI提交的提示开始，我们收集了一个标注器演示所需模型行为的数据集，我们使用它来使用监

andeyeluguo·2024-01-11 06:44

GNN如何处理表格？

链接:https://ieeexplore.ieee.org/document/10184514在这篇综述中，我们深入探讨了使用图神经网络（GNNs）进行表格数据学习（TDL）的领域，这是一个深度学习方法在分类和回归任务中相比传统方法表现出越来越优越性能的领域

AI知识图谱大本营·2024-01-11 04:26

「超级细菌」魔咒或将打破，MIT 利用深度学习发现新型抗生素

作者：加零编辑：李宝珠、三羊MIT利用图神经网络Chemprop识别潜在抗生素，特异性杀死鲍曼不动杆菌。

HyperAI超神经·2024-01-11 03:21

人工智能论文解读精选 | PRGC：一种新的联合关系抽取模型

©NLP论文解读原创•作者|小欣论文标题：PRGC:PotentialRelationandGlobalCorrespondenceBasedJointRelationalTripleExtraction

NLP论文解读·2024-01-10 09:43

高光谱分类论文解读分享之基于多模态融合Transformer的遥感图像分类方法

IEEETGRS2023：基于多模态融合Transformer的遥感图像分类方法题目MultimodalFusionTransformerforRemoteSensingImageClassification作者SwalpaKumarRoy,StudentMember,IEEE,AnkurDeria,DanfengHong,SeniorMember,IEEE,BehnoodRasti,Senior

曦曦逆风·2024-01-10 07:57

高光谱分类论文解读分享之基于生成对抗性少数过采样的高光谱图像分类

IEEETGRS2022：基于生成对抗性少数过采样的高光谱图像分类题目GenerativeAdversarialMinorityOversamplingforSpectral–SpatialHyperspectralImageClassification作者SwalpaKumarRoy,StudentMember,IEEE,JuanM.Haut,SeniorMember,IEEE,Mercedes

曦曦逆风·2024-01-10 07:27

【GNN 1】PyG实现图神经网络，完成节点分类任务，人话、保姆级教程

我们来做一个节点分类的任务，选择的数据集是KarateClub，Karate是空手道的意思，所以这就是一个空手道俱乐部的数据。简而言之，这个数据集，包含34个节点，156条无向无权边，结点总共分为4类，此外，每个节点还有34个特征，也就是说还有34个指标来描述空手道俱乐部的每个成员。欸？特征数怎么和节点数一样，没错，就是one-hot编码。下图是论文原图，颜色表示了类别。数据集的详细说明这个数据集

Dream of Grass·2024-01-10 07:26

【freespace】TwinLiteNet: An Efficient and Lightweight Model for Driveable Area and Lane Segmentation

莫克_Cheney·2024-01-10 04:25

ZeroBind：DTI零样本预测器

在元学习过程中，ZeroBind为每个蛋白质制定了一个模型，这也被认为是一个学习任务，每个任务都使用图神经网络（GNN）来学习蛋白质graph嵌入和分子graph嵌入。受到分子与

tzc_fly·2024-01-10 04:24

10X单细胞（10X空间转录组）数据分析之图神经网络框架

hello，大家好，随着我们认识的深入，分享的内容也越来越“高大上”，这次要分享的内容就是神经网络运用到我们的单细胞或者空间的数据分析。密苏里大学许东教授和俄亥俄州立大学马勤教授的团队发表在NatureCommunications上的一篇文章“scGNNisanovelgraphneuralnetworkframeworkforsingle-cellRNA-Seqanalyses”。单细胞RNA测

单细胞空间交响乐·2024-01-09 22:25

Attention Is All You Need----Transformer 论文解读

AttentionIsAllYouNeed1.Introduction2.Background3.ModelArchitecture3.1Encoder-DecoderStacks3.2Attention3.2.1ScaledDot-ProductAttention3.2.2Multi-HeadAttention3.2.3ApplicationsofAttentioninourModel3.3Po

FutureForMe@·2024-01-09 20:35

GraphGPT： Graph Instruction Tuning for Large Language Models

GraphInstructionTuningforLargeLanguageModels基本信息博客贡献人猪八戒作者JiabinTang,YuhaoYang,WeiWei[单位]香港大学数据智能实验室摘要图神经网络

图学习小组·2024-01-09 20:27

AIGC（MLLM、VLM、LLM、SD）系列——论文解读目录

涉及面广：多模态生成模型——MLLM（目前集中在视觉语言模型——VLM）、大语言模型——LLM、生成模型（SD系列）、对比学习的经典模型（CLIP系列）。持续更新：对于已经完成解读的会附上链接（有的会在一些场景做尝试，也会附上链接供大家快速参考结果），准备写的会备注筹备中。适宜人群：节省大把时间，快速定位需要的部分，适合学生、入门AIGC者和从业者作为笔记检索使用。RAM论文题目：Recogniz

TigerZ*·2024-01-09 12:45

深度学习：图神经网络——在推荐系统中的应用

PinSage是工业界应用图神经网络完成推荐任务的第一个成功案例，其从用户数据中构造图（graph）的方法和应对大规模图而采取的实现技巧都值得我们学习。

一碗姜汤·2024-01-09 11:35

raft2020年更新_ECCV2020最佳论文解读之递归全对场变换(RAFT)光流计算模型

计算机视觉三大国际顶级会议之一的ECCV2020已经召开。今年ECCV共收到有效投稿5025篇，是ECCV2018论文投稿数量的二倍还要多，接收论文1361篇，接收率为27%，相比上届会议下降了约5%。在接收论文中，oral论文数为104篇，占有效投稿总数的2%，spotlight论文数目为161篇，占比约3%。其中，最佳论文奖由普林斯顿大学ZacharyTeed和JiaDeng摘得，论文题名为R

weixin_39788131·2024-01-09 10:27

论文解读：CBAM: Convolutional Block Attention Module--ECCV2018

摘要：作者提出一个ConvolutionalBlockAttentionModule(CBAM)。给定一个特征图，作者的模块可从两个维度（通道和空间）按顺序地推出注意力图，然后将注意力图与输入的特征图进行点积，从而可以自适应地提炼特征。因为CBAM是个轻量级的通用模块，所有它可以整合到任何CNN框架中，并且计算成本几乎不变。QQ截图20190610123827.png1.Introduction为

jscdw·2024-01-09 04:08

图神经网络｜5.消息传递的计算方法 6.多层GNN的作用

节点更新在图神经网络中，某个节点的更新，不应该只关心自身的变化，还应该关心相邻节点与本节点的关系。6.多层GNN的作用首先，多层GNN并不会

晓源Galois·2024-01-09 03:52

VQ-VAE(Neural Discrete Representation Learning)论文解读及实现

pytorch实现git地址论文地址：NeuralDiscreteRepresentationLearning1论文核心知识点encoder将图片通过encoder得到图片点表征如输入shape[32,3,32,32]通过encoder后输出[32,64,8,8](其中64位输出维度)量化码本先随机构建一个码本，维度与encoder保持一致这里定义512个离散特征，码本shape为[512,64]

晚点吧·2024-01-08 16:41

GPT(Generative Pre-Training)论文解读及源码实现(二)

本篇为gpt2的pytorch实现，参考nanoGPTnanoGPT如何使用见后面第5节1数据准备及预处理data/shakespeare/prepare.py文件源码分析1.1数据划分下载数据后90%作为训练集，10%作为验证集withopen(input_file_path,'r')asf:data=f.read()n=len(data)train_data=data[:int(n*0.9)]

晚点吧·2024-01-08 16:04

哥又来看论文了《Deepfake Video Detection Using Convolutional Vision Transformer》

适合我这个小白（憨憨）看~论文的整体架构图：论文解读：首先看看人家摘要写的：1.我们在DeepFake检测挑战数据集(DFDC)上训练我们的模型，并实现了91.5%的准确率，AUC值为0.91，损失值为

一只发呆的猪·2024-01-08 11:55

图神经网络｜10.4 GCN 变换原理的解读

由9.3-邻接矩阵的变换可知，理解矩阵通过两个度矩阵的逆进行归一化。微观上看，aija_{ij}aij这个元素将会乘上1deg(vi)deg(vj)\frac{1}{\sqrt{deg_(v_i)\sqrt{deg(v_j)}}}deg(vi)deg(vj)1其现实意义如下——比如预测人脉图中某一个人是否为富二代。假设节点j是一个富二代，且从i和j这对关系进行考虑，j可能认识很多人（对应的度很大）

晓源Galois·2024-01-08 07:51

图神经网络｜9.3 邻接矩阵的变换

由于邻接矩阵中一般不会（i,i）等于1，除非第i个点上有自环。而如果用邻接矩阵去乘上特征矩阵，那么将丢失自身向自身的贡献。此时可以再邻接矩阵的基础上，再加上一个单位阵，从而使得最终的结果包含自身对整体的贡献。但这样仍会存在问题。就是忽略了各个点对系统的贡献比例。也就是说需要再做一个加权平均的过程。这个时候就可以借助度矩阵来解决这个问题将新矩阵的每个点的度来组成对角矩阵。并求出对角矩阵的逆矩阵。从而

晓源Galois·2024-01-08 07:50

Video-GroundingDino论文解读

文章目录前言一、摘要二、引言三、贡献四、模型结构1、模型定义与问题数据少问题模型解决问题模型模块2、模型结构模型结构图Cross-ModalitySpatio-TemporalEncoderLanguage-GuidedQuerySelectionCross-ModalitySpatio-TemporalDecoderPredictionHeads总结前言之前我在博客介绍了一篇groundingD

tangjunjun-owen·2024-01-07 19:05

推荐频道

图神经网络论文解读