一.GAN的基本要素1.真实数据集，初始化虚假数据集（噪音）2.生成器，鉴别器：生成器：输入：原始数据的维数（一条数据）输出：原始数据的维数（一条数据）...

整体概述：第一步：降维----特征值第二步：k-means聚类基于图论的聚类方式：拉普拉斯矩阵的特征向量进行聚类连点成线构成图：图的度矩阵-图的邻接矩阵=拉普拉斯矩阵：归一化拉普拉斯矩阵：生成该拉普拉斯矩阵最小的k个特征值+特征向量：特征向量kmeans聚类：谱聚类的优点与缺点：优点：稀疏处理：只要数据之间的相似度矩阵对于处理稀疏数据的聚类很有效高维处理：使用降维...

慢慢理解GNN谱域和空域

摘要:现代推荐系统通过发现或“挑逗”编码项目属性和用户偏好的潜在维度，对人和项目进行建模。关键的是，这些维度是根据用户反馈发现的，通常是隐式的（比如购买他的保守党、浏览日志等）；此外，一些推荐系统还利用辅助信息，如产品属性、时态信息或评论文本。然而，现有的个性化推荐和排名方法通常忽略的一个重要特征是所考虑项目的视觉效果。在本文中，我们提出了一个可扩展的因子分解模型，将视觉信号纳入人们观点的预测因素

背景--传统前馈网络的短板1.层与层之间连接, 每层之间无连接. 每层输入输出维数是固定的, 不能任意改变. 无法处理变长序列数据2.假设每次输入都是独立的, 也就是说每次网络的输出只依赖于当前的输入RNN的结构各种类型的网络更新状态按时间展开随时间的反向传播算法向前传...

背景：BP在产生的过程中：会产生梯度消失／梯度爆炸。　为了阻止这种情况发生优点与缺点：优点：简单粗暴缺点：很难找到满意的阈值代码：torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm=20)参考：https://www.cnblogs.com/lindaxin/p/7998196.html...

异质图神经网络（写文章帮助总结异质图神经网络的文章）

直述：随着时间，学习率加快代码：# Reduce learning rate when validation accuarcy plateau.scheduler = torch.optim.lr_scheduler.ReduceLROnPlateau(optimizer, mode= max , patience=5, verbose=True)for t in range(0, 80):tra

极大似然分类模型就是求先验的概率. 极大似然即在某套参数下, 使得该先验概率的值最大. 为计算方便, 我们往往求的是负对数似然的最小值损失函数的具体形式会随着建模数据的分布类型变化而变化MSE和线性回归1.假设数据服从高斯分布, 在所有数据上的似然就是单个点先验的连乘2.通过最小化数据的负对数似然以最大化数据的似然函数3.即发现实际需要最小化的是MSE交叉熵和逻辑回归1.在.

整体概述：第一步：降维----特征值第二步：k-means聚类基于图论的聚类方式：拉普拉斯矩阵的特征向量进行聚类连点成线构成图：图的度矩阵-图的邻接矩阵=拉普拉斯矩阵：归一化拉普拉斯矩阵：生成该拉普拉斯矩阵最小的k个特征值+特征向量：特征向量kmeans聚类：谱聚类的优点与缺点：优点：稀疏处理：只要数据之间的相似度矩阵对于处理稀疏数据的聚类很有效高维处理：使用降维...