Representation 第22页

PGE - A Representation Learning Framework for Property Graphs 属性图表示学习框架 KDD 2019

yyl424525·2020-06-30 11:45

[论文笔记]：GraphSAGE：Inductive Representation Learning on Large Graphs 论文详解 NIPS 2017

文章目录概括1回顾GCN及其问题transductivelearningvsinductivelearning2RelatedworkFactorization-basedembeddingapproaches（节点embedding）SupervisedlearningovergraphsGraphconvolutionalnetworks3Proposedmethod:GraphSAGE3.1

yyl424525·2020-06-30 11:43

java学习笔记20170705 The origin server did not find a current representation for the target resource or

于是改成了于是乎·2020-06-30 10:57

基于深度学习的推荐(四)：阿里DIN，使用Attention获得用户的动态representation

文章目录公众号前言1.模型分析1.1Baseline1.2DIN2.训练技巧2.1Dice激活函数2.2Mini-batch正则化3.实战3.1数据集3.2代码分析参考公众号关注公众号:推荐算法工程师,输入"进群",加入交流群,和小伙伴们一起讨论机器学习,深度学习,推荐算法.前言DeepInterestNetwork(DIN)是盖坤大神领导的阿里妈妈的精准定向检索及基础算法团队提出的，发表在18年

如雨星空·2020-06-30 04:31

Tomcat 404 error: The origin server did not find a current representation for the target resource or

以下问题极为少见，大部分的404错误都是url路径写错或者新增修改了@RequestMapping("/url")中的url但没有重新启动项目————————————————————分割线————————————————————##1.如果一个工程里出现多个web.xml文件每个web.xml文件都需对应一个index.jsp。##添加完对应的index.jsp即可##2.servletTest文

xx_star1204·2020-06-30 04:16

图神经网络专用DGL库

这些网络架构成功的一个重要原因在于其能有效地捕捉到了数据内在的相关性，并在不同的抽象级别构建表示(representation)。

欧阳AI锋·2020-06-29 12:22

论文阅读：Deep High-Resolution Representation Learning for Human Pose Estimation

这篇论文来自与微软和中国科技大学研究学者，已经被CVPR2019接收，并且已经开源。论文地址：http://cn.arxiv.org/pdf/1902.09212.pdf项目主页：https://jingdongwang2017.github.io/Projects/HRNet/PoseEstimation.html代码地址：https://github.com/leoxiaobin/deep-h

Amon O_*·2020-06-29 10:43

一文看懂词嵌入word embedding（2种算法+其他文本表示比较）

文本表示（Representation）文本是一种非结构化的数据信息，是不可以直接被计算的。

weixin_43612023·2020-06-29 09:08

Representation Learning for Attributed Multiplex Heterogeneous Network 论文阅读笔记

摘要部分网络嵌入（图嵌入）在真实世界中已经有了非常大规模的应用，然而现存的一些网络嵌入（图嵌入）相关的方法主要还是集中在同质网络的应用场景下，即节点和边的类型都是单一类型的情况下。但是真实世界网络中每个节点的类型都多种，每条边的类型也有多种，而且每一个节点都具有不同且繁多的属性。所以本论文提出了一种在AttributedMultiplexHeterogeneousNetwork中进行嵌入学习的统一

AI-CS研究生·2020-06-29 04:16

[翻译]End-to-End Learning of Motion Representation for Video Understanding

摘要尽管端到端学习的表示最近取得了成功，但手工制作的光流特征仍然被广泛应用于视频分析任务中。为了填补这一空白，我们提出了TVNet，一个新颖的端到端可训练神经网络，从数据中学习光流的特征。TVNet包含了一个特定的光流解算器，即TV-L1方法，并通过将其优化迭代展开为神经层来初始化。因此，TVNet可以直接使用，无需任何额外的学习。此外，它可以与其他特定于任务的网络自然地连接起来，以形成端到端结构

牛牛存·2020-06-29 03:36

【论文解读】Inductive Representation Learning on Large Graphs（GraphSAGE）

是一篇关于动态网络表征学习（DynamicNRL）的论文，属于property-preserving方法论文链接：https://papers.nips.cc/paper/6703-inductive-representation-learning-on-large-g

上下C-137·2020-06-29 02:46

一张图告诉你SQL使用inner join，left join 等

www.cnblogs.com/logon/p/3748020.htmlSQLJOINS:Pleasereferthelink:https://www.codeproject.com/Articles/33052/Visual-Representation-of-SQL-Jo

月慕向阳·2020-06-29 02:19

3D目标检测深度学习方法中voxel-represetnation内容综述（一）

前言笔者上一篇文章有介绍了3D目标检测中比较重要的数据预处理的两个方面的内容，其一是几种representation的介绍，分别是point、voxel和grap三种主要的representation，

Little_sky_jty·2020-06-29 00:41

深度学习方法中 3D目标检测数据预处理综述

前言这一篇的内容主要要讲一点在深度学习的3D目标检测网络中，我们都采用了哪些数据预处理的方法，主要讲两个方面的知识，第一个是representation，第二个数据预处理内容是数据增广。

Little_sky_jty·2020-06-29 00:40

13.Hierarchical Graph Representation Learning with Differentiable Pooling

可微分池化的层级图形表征学习摘要最近，图神经网络（GNNs）通过有效学习的节点嵌入，改变了图形表征学习的领域，在节点分类和连接预测等任务中表现了不错的效果。然而，现有的GNN方法本质上是平面化的，因此无法学习图形的层级表征——这对于图形分类任务而言尤其成问题，因为图形分类任务的目的是预测与整个图像相关的标签。在这里，我们提出了DIFFPOOL，一个可微分的图形池化模块，可以生成图形的层级表征，并可

刺猬爱吃仙人掌·2020-06-29 00:32

DIFFPOOL（Hierarchical Graph Representation）

HierarchicalGraphRepresentationLearningwithDifferentiablePooling动机核心思想图神经网络可微分池化层分配矩阵的学习池化分配矩阵优化onehot矩阵优化实验数据集实验设置Baseline实验结果不足点DifferentiablePooling)论文链接：https://arxiv.org/pdf/1806.08804.pdfhttps:/

weixin_40248634·2020-06-28 23:04

【论文笔记】GloVe: Global Vectors forWord Representation

摘要词向量的成功捕捉到了细粒度的语义信息和语法规则，本文提出的方法融合了主流模型的优点：全局矩阵分解（LSA）和局部内容窗口（Word2vec），充分利用统计信息使用词共现矩阵中频率非零的元素来训练模型。引言使用向量空间来表示自然语言可以做为许多NLP任务（文本分类，信息检索......）的特征输入，主流的两种方法是基于全局矩阵分解的LSA和局部窗口信息的Word2vec。LSA虽然充分利用了统计

theoreoeater·2020-06-28 22:23

【Paper】Deep Multimodal Representation Learning: A Survey （Part1）

论文被引：6(04/22/20)论文年份：2019论文原文：点击此处文章目录DeepMultimodalRepresentationLearning:ASurveyABSTRACTI.INTRODUCTIONII.DEEPMULTIMODALREPRESENTATIONLEARNINGFRAMEWORKSA.MODALITY-SPECIFICREPRESENTATIONSB.JOINTREPRES

datamonday·2020-06-28 22:27

[生成对抗网络GAN入门指南]（10）InfoGAN: Interpretable Representation Learning by Information Maximizing GAN

本篇blog的内容基于原始论文InfoGAN:InterpretableRepresentationLearningbyInformationMaximizingGenerativeAdversarialNets（NPIs2016）和《生成对抗网络入门指南》第六章。完整代码及简析见文章末尾一、为什么要使用InfoGANInfoGAN采用无监督的方式学习，并尝试实现可解释特征。使用了信息论的原理，通

gdtop818·2020-06-28 20:04

Hierarchical Graph Representation Learning with Differentiable Pooling

图神经网络(GNN)在图表示学习领域拥有巨大潜力，可以有效的学习到节点的嵌入表示。然而，现有的GNN方法太过于平坦，无法捕获图的层级表示，这对图分类任务是有问题的，因为很多图信息都是具有层级表征的，比如地图、概念图、流程图等等。这篇论文，提出了一个可微图池化模块来产生图的层级表示。DIFFPOOL在深度GNN的每一层针对图节点学习到一个可微的软簇分配矩阵，利用这个分配矩阵将图中所有节点映射到一组簇

哈哈哈哈_hhhhh·2020-06-28 20:06

论文分享 Learning tree-structured representation for 3D coronary artery segmentation

Learningtree-structuredrepresentationfor3Dcoronaryarterysegmentation(2019.8)摘要冠状动脉的分割已经进行了广泛的研究，然而，由于其复杂的解剖结构，从三维冠状动脉ct血管造影（CCTA）中自动分割冠状动脉具有极大的挑战性。受近年来利用树状结构的长短期记忆（LSTM）来模拟具有树状结构的NLP任务的启发，我们提出了一种新的树状结

Klay Ye·2020-06-28 15:24

Hierarchical Graph Representation Learning with Differentiable Pooling摘要

图网络（GN）在深度学习短板即因果推理上拥有巨大潜力，很有可能成为机器学习领域的下一个增长点，而图神经网络（GNN）正属于图网络的子集。GNN近期在图分类任务上得到了当前最佳的结果，但其存在平面化的局限，因而不能将图分层表征。现实应用中，很多图信息都是层级表征的，例如地图、概念图、流程图等，捕获层级信息将能更加完整高效地表征图，应用价值很高。在本文中，来自斯坦福等大学的研究者通过在GNN中结合

遂古之初·2020-06-27 12:00

【论文阅读】POI2Vec: Geographical Latent Representation for Predicting Future Visitors

《POI2Vec:GeographicalLatentRepresentationforPredictingFutureVisitors》ShanshanFeng,GaoCong,BoAn,YeowMengChee.2017,AAAI附件：论文Abstract随着位置感知型（location-aware）社交媒体应用的日益普及，兴趣点（POI）推荐得到了广泛的研究。然而现有的大部分研究是从用户的角

ForcedOverflow·2020-06-27 09:12

2D多人关键点：《Deep High-Resolution Representation Learning for Human Pose Estimation》

《DeepHigh-ResolutionRepresentationLearningforHumanPoseEstimation》来源：中科技大学，微软亚洲研究院论文：https://arxiv.org/pdf/1902.09212.pdf 源码：https://github.com/leoxiaobin/deep-high-resolution-net.pytorch文章目录0前沿1相

Godswisdom·2020-06-27 01:31

《机器学习那些事》摘要

原文为：AFewUsefulThingstoKnowaboutMachineLearning摘录若干要点：1.学习=表示+评价+优化表示(Representation):学习器的假设空间(hypothesisspace

水滴杂谈·2020-06-26 23:05

Deep High-Resolution Representation Learning for Human Pose Estimation论文翻译

@Densepose论文翻译DeepHigh-ResolutionRepresentationLearningforHumanPoseEstimation论文翻译Abstract在本文中，我们对人体姿势估计问题感兴趣，重点是学习可靠的高分辨率表示。大多数现有方法从由高到低分辨率网络产生的低分辨率表示中恢复高分辨率表示。相反，我们建议的网络在整个过程中保持高分辨率的表示。我们从高分辨率子网开始作为第

徐缙·2020-06-26 23:41

Graph Embedding 、Network Embedding和Knowledge Graph Embedding以及Representation 和Embedding之间的区分

Representation和Embedding首先，想先说一下representation和embedding之间的区别和联系，仅供参考。

SmileAda·2020-06-26 22:20

深度学习中的表示学习_Representation Learning

一、深度学习网络的表达方式汇总及模型分类方法人的大脑会对眼睛捕捉到的外界事物进行逐级抽象，逐渐提取出抽象的语义信息，以便为人脑所理解。深度学习从这一科学发现得到启发，通过网络的权值来捕捉外界输入模式的特征，并且通过网络连接方式来组合这些特征从而提取出更加高层特征，采用这种方法逐级从大量的输入数据中学习到对于输入模式有效的特征表示，然后再把学习到的特征用于分类、回归和信息检索。深度学习能够提取输入数

修炼打怪的小乌龟·2020-06-26 22:58

Go reflect（2019.10.22）

也就是说，这类应用通过采用某种机制来实现对自己行为的描述（self-representation）和监测（examination），并能根据自身行为的状态和结果，调整或修改应用所描述行为的状态和

smilesundream·2020-06-26 13:26

coursera Machine Learning 第四周测验quiz答案解析 Neural Networks: Representation

1.选择AD解析：A.正确。因为是sigmoid函数，只能取0或者1。B.为什么会foranyinputx，都会有1的结果，不应该是我theta设置的关系吗。C.两层解决不了XOR问题，至少三层，从课件就可看出。D.所有的逻辑函数都可以用神经网络表示，只要这个网络够复杂，就可能实现相当复杂的逻辑函数。2.选择AOR解析：可以列出表格可得属于或运算3.选择A解析：为求a1（3）=g（z1（3）），而

小白一只an·2020-06-26 12:10

《Hierarchical Graph Representation Learning with Differentiable Pooling》论文解析

最近阅读了由斯坦福大学研究团队发表的这篇名为“Hierarchicalgraphrepresentationlearningwithdifferentiablepooling”论文，对于论文中提出的问题觉得十分新颖，同时论文的写作也很流畅，因此将个人对该论文的理解进行整理，如有不当之处还请指教。算法框架GNN的相关研究被广泛的应用于图表示学习中，并且在节点分类和链路预测等任务中取得了SOTA的结果

angel_峰起云涌·2020-06-26 11:43

人脸识别方向论文笔记（1）-- A Light CNN for Deep Face Representation With Noisy Labels

原文地址：https://arxiv.org/pdf/1511.02683.pdf这篇论文中，创新点有两个：1.提出了一种新的激活函数Max-Feature-Map（MFM不仅能区分开噪声数据和信息数据，而且在特征选择方面起着重要的作用）2提出了三种网络（两个小网络+一个大网络：LightCNN-4、LightCNN-9、LightCNN-29）。所做的贡献总结：1.提出的MFM能够使用更复杂的关

四海龙王Black·2020-06-26 10:58

【Paper Note】Representation Learning-Assisted Click-Through Rate Prediction (DeepMCP) 论文详解

https://arxiv.org/pdf/1906.04365.pdf背景以往的点击率预估模型像FM系列、WDN等模型，都只是考虑特征和ctr之间的联系，阿里的这篇论文，提出了DeepMCP模型，不仅考虑了特征和ctr之间的联系，同时考虑了特征和特征间的关系，如用户和广告、广告和广告间的联系。DeepMCP模型主要由三个部分组成：matchingsubnet、correlationsubnet和

roguesir·2020-06-26 06:27

机器学习中的这12条经验，希望对你有所帮助

“表征+评估+优化”构成机器的主要内容构成机器学习算法的3部分：学什么表征（Representation）：分类器必

renyingcai520·2020-06-26 05:04

Word Representation

编码任何信息在计算机内的存储方式都是数字，更加具体的说是0-1的二进制码。为了能够让生活中的语言能够存储于计算机中，我们会给所有的字符（包括字母字符，汉子等所有的其他语言文字）一个编码方式，比如小写字母a在计算机中编码的十进制是97，大写字母A的编码是65。只要每个字符的编码能够区别于其他的字符就行。当然为了处理更加复杂的问题，比如单词，词语。同样需要用“数字”去表示它们。这里的数字就是指向量。o

董老师wenjunoy·2020-06-25 22:24

【论文笔记】Deep High-Resolution Representation Learning for Human Pose Estimation

TitleDeepHigh-ResolutionRepresentationLearningforHumanPoseEstimation原文地址：https://arxiv.org/abs/1902.09212v1github：https://github.com/leoxiaobin/deep-high-resolution-net.pytorchSummary论文使用全程高分辨路的网络替代从高

Kevin_DrYee·2020-06-25 18:18

无监督表示学习：通过预测图像旋转_Supervised Representation Learning By Predicting Image Rotations—2018（笔记）

UnsupervisedRepresentationLearningByPredictingImageRotations—2018通过预测图像旋转实现无监督表示学习—2018（笔记）摘要文章提出，通过训练ConvNets来识别输入图像的2D旋转来学习图像特征。在质量和数量上证明了这个看似简单的任务，实际上为语义特征学习提供了非常强大的监督信号。引言文章遵循自监督的范例，通过训练ConvNets识别

樱木仙僧·2020-06-25 17:40

Representation Learning（词嵌入NNLM，word2vec，GloVe）

NLP(NaturalLanguageProcessing)NLP主要是关注计算机和人类(自然)语言之间的相互作用的领域。如果要想实现人机间自然语言通信意味着要使计算机既能理解自然语言文本的意义，也能以自然语言文本来表达给定的意图、思想等。前者称为自然语言理解，后者称为自然语言生成，这也是NLP的两大任务。但处理它的困难之处在于自然语言是一种符号，出现的理由是为了作为一种方便人类进行高效交流的工具

上杉翔二·2020-06-25 16:06

第4周学习笔记-Neural Networks: Representation神经网络表述-Coursera机器学习-吴恩达

NeuralNetworks:RepresentationMotivationsNon-linearHypotheses非线性假设(函数)随着特征的增多，逻辑回归需要的特征项越多左边是样本点的分布，只有x1和x2两个特征。右边是逻辑回归用的假设函数。如果样本增加特征，则逻辑回归需要的特征项还要更多。如果样本增加特征，逻辑回归只选x1,x2,...x100的平方，则构造的分类器不准确。数据矩阵计算机

烟若清尘·2020-06-25 15:05

GraphSAGE_Inductive Representation Learning on Large Graphs详细笔记

tf代码实现pytorch代码实现，该实现中缺少了无监督部分。1摘要GraphSAGE使用归纳式的方法解决了之前GCN和其他图学习网络中的直推式方法的问题。（因为在实际使用中经常会出现未知的节点，这样归纳式是比较方便和有效的）归纳式和直推式的区别：归纳式：测试样本不会出现在训练集中，例如训练某些单词的embedding时，单词a只在测试集中出现而训练集中没有单词a直推式：测试样本出现在了训练集中，

menfer·2020-06-25 10:00

翻译：Predictive learning vs. representation learning 预测学习与表示学习

Whenyoutakeamachinelearningclass,there’sagoodchanceit’sdividedintoaunitonsupervisedlearningandaunitonunsupervisedlearning.Wecertainlycareaboutthisdistinctionforapracticalreason:oftenthere’sordersofmag

wisgon·2020-06-25 08:58

阅读Hierarchical Graph Representation Learning with Differentiable Pooling(NeurIPS 2018)

最近关注graphpooling，HierarchicalGraphRepresentationLearningwithDifferentiablePooling(NeurIPS2018)，分层可微pooling图表示学习方法。文章目录Abstract1Introduction2RelatedWork3ProposedMethod3.1Preliminaries3.2Differentiabl

我是chios·2020-06-25 06:34

3D目标检测深度学习方法数据预处理综述

前言这一篇的内容主要要讲一点在深度学习的3D目标检测网络中，我们都采用了哪些数据预处理的方法，主要讲两个方面的知识，第一个是representation，第二个数据预处理内容是数据增广。

Tom Hardy·2020-06-25 04:52

阅读论文 GraphGAN: Graph Representation Learning with Generative Adversarial Nets

1.Graphrepresentationlearning(networkembedding/graphembedding/networkrepresentationlearning)triestoembedeachnodeofagraphintoalow-dimensionalvectorspace,whichpreservesthestructuralsimilaritiesordistanc

tomato_guo·2020-06-25 04:44

【网络结构，人体姿态估计】Deep High-resolution Representation Learning for Human Pose Estimation

论文链接：https://arxiv.org/pdf/1902.09212.pdf工程链接：https://github.com/leoxiaobin/deep-high-resolution-net.pytorch最近在看人脸关键点检测，刚好看到了有人使用了HRNet(这篇论文中作者提出的方法)，所以就被吸引了，看看该网络结构的特殊性；（2020-2-9）《DeepHigh-resolution

猫猫与橙子·2020-06-25 01:27

二维图像三维化

表达是一个与认知科学密切联系的词汇，英文是representation,通俗地讲，物体表达问题就是指物体在大脑

正在思考中·2020-06-24 22:10

多媒体媒体分类

(2)表示媒体（representation

程序员杂谈·2020-06-24 21:52

Dual Graph Attention Networks for Deep Latent Representation of Multifaceted Social...》论文学习笔记

DualGraphAttentionNetworksforDeepLatentRepresentationofMultifacetedSocialEffectsinRecommenderSystems论文学习笔记，这里主要是对文章的理解和重要部分进行的翻译，如有不对的地方，请大家多多指正！总述腾讯atWWW2019，本文提出了对偶注意力网络来更好地学习双重社交效应的深度隐式表示，其中一个由用户特定

junzhou134·2020-06-24 11:04

word2vec和word embedding有什么区别?

目录〇、序一、DeepNLP的核心关键：语言表示（Representation）二、NLP词的表示方法类型三、NLP语言模型四、词的分布式表示五、词嵌入（wordembedding）六、神经网络语言模型与

lty_sky·2020-06-24 09:31

《Knowledge-Embedded Representation Learning for Fine-Grained Image Recognition》论文笔记

中山大学、商汤科技怎样使用DNN框架来unify丰富的专业知识，提出了一个知识嵌入表示学习（Knowledge-EmbeddedRpresentationLearning）框架来解决细粒度图像识别问题。大量以知识图谱存在的视觉概念，使用了GatedGraph神经网络来传播nodemessage，然后生成知识表示。通过引入一种新的门控机制，我们的KERL框架将这种知识表示方法应用到图像特征识别学习中

klrp95·2020-06-24 01:32

推荐频道

Representation