该文献中，介绍了 多视图 的 图神经网络的学习；以及多视图 图神经网络的 对比学习，需要阅读；

系列文章目录：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加例如：第一章 Python 机器学习入门之pandas的使用文章目录系列文章目录前言前言提示：这里可以添加本文要记录的大概内容：1.开放封闭原则： 一个软件实体 如类， 模块和函数 应该对扩展开放， 对修改关闭； 即软件实体应尽量在不修改原有代码的情况下 进行扩展；2.里氏替换原则：在所有引用 父类的地方， 必须能透明的使用

原文出自 时序人；#TSer**#**时间序列图神经网络是一种结合了图神经网络和时间序列分析的方法，用于对动态系统中的数据进行建模和预测。与传统的时间序列模型不同，图神经网络可以有效地捕捉时间序列数据中的时序信息和模式，并进行预测和分类。作为一种新兴的研究领域，时间序列GNN具有广泛的应用前景，它可以应用于各种实际问题，如股票价格预测、交通流量预测、健康状况预测等，通过有效地捕捉时间序列数据中的时

但其原生Self-Attention 的计算复杂度问题一直没有得到解决，Self-Attention 需要对输入的所有N个 token 计算 [公式] 大小的相互关系矩阵，考虑到视觉信息本来就就是二维（图像）甚至三维（视频），分辨率稍微高一点这计算量就很难低得下来。Swin Transformer 想要解决的计算复杂度的问题。1. 网络结构简单来说就是，原生 Transformer 对 N 个 t

总结——当前的不确定性量化方法在现实世界中的应用效果如何？尽管过去几年神经网络在不确定性量化方面取得了许多进展，但它们在实际任务和安全关键应用中的采用仍然有限。造成这种情况的原因有很多，下面一一讨论：缺少对现实世界问题现有方法的验证：尽管 DNN 已成为解决众多计算机视觉和医学图像处理任务的事实标准，大多数现有模型还是无法适当量化其推论所固有的不确定性，特别是在实际应用中。

COUGHVID 数据集提供了 20,000 多个众包​​咳嗽录音，代表了广泛的受试者年龄、性别、地理位置和 COVID-19 状态。首先，使用开源咳嗽检测算法对数据集进行过滤。其次，经验丰富的肺科医生标记了 2000 多个录音，以诊断咳嗽中存在的医学异常，从而贡献了现有最大的专家标记咳嗽数据集之一，可用于大量咳嗽音频分类任务。

COUGHVID 数据集提供了 20,000 多个众包​​咳嗽录音，代表了广泛的受试者年龄、性别、地理位置和 COVID-19 状态。首先，使用开源咳嗽检测算法对数据集进行过滤。其次，经验丰富的肺科医生标记了 2000 多个录音，以诊断咳嗽中存在的医学异常，从而贡献了现有最大的专家标记咳嗽数据集之一，可用于大量咳嗽音频分类任务。

结合最新的自然语言处理技术和图像识别技术，IRENE可以在医学诊断中起到重要的作用。它通过统一的多模态诊断Transformer和双向多模态注意力机制，渐进学习多模态临床数据的整体表征，放弃了单独学习各种模态特征的技术路线。在现实世界中，IRENE可以帮助简化患者护理流程，如患者分流和区分普通感冒患者与需要紧急干预的严重情况患者。此外，在诊断不确定或复杂的情况下，IRENE还可以作为医生的辅助工具

COLA是应用于音频的预训练框架。对于每个音频样本，作者选出该音频样本的两个片段，一个片段作为anchor A，一个作为positive P,对于该音频样本，选出training batch中的其他的音频样本作为distractor D。有很多distractor让训练的过程变得困难，使得模型学到更有意义的表达。使用同一个batch中的其他样本作为distractor，节约了distractor的

总结——当前的不确定性量化方法在现实世界中的应用效果如何？尽管过去几年神经网络在不确定性量化方面取得了许多进展，但它们在实际任务和安全关键应用中的采用仍然有限。造成这种情况的原因有很多，下面一一讨论：缺少对现实世界问题现有方法的验证：尽管 DNN 已成为解决众多计算机视觉和医学图像处理任务的事实标准，大多数现有模型还是无法适当量化其推论所固有的不确定性，特别是在实际应用中。