(文章写得非常好,看不懂的是傻瓜......)GCN问世已经有几年了（2016年就诞生了），但是这两年尤为火爆。本人愚钝，一直没能搞懂这个GCN为何物，最开始是看清华写的一篇三四十页的综述，读了几页就没读了；后来直接拜读GCN的开山之作，也是读到中间的数学部分就跪了；再后来在知乎上看大神们的讲解，直接被排山倒海般的公式——什么傅里叶变换、什么拉普拉斯算子等等，给搞蒙了，越读越觉得：“哇这些大佬好厉

一.RCNN(Region-CNN)目标检测的奠基算法步骤：Step1:提取候选区域Step2:用CNN提取特征Step3:用SVM分类Step4:检测框回归提出原因：作者说HOG和SIFI提取特征已经过时了，CNN用来提取特征非常好存在的疑问：结果有点歪...

一篇国外大佬发文：国外大佬发文：让AI自己给数据加标签，然后把损失函数用相应的方式来表达：把自动加标签的噪音和可能的偏差都考虑进去。最近有两篇研究，都是这方面的例子：一是MixMatch: A Holistic Approach to Semi-Supervised LearningArxiv码：1905.02249二是Unsupervised Data Augmentatio...

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）...

多模态推荐系统(WWW'2023)， 多模态推荐数据集

BCELoss：CE和BCE：CrossEntropy。 B：binary，即用于二分类问题输入：Sigmoid：目标：损失函数：BCEWithLogitsLoss：就是把Sigmoid-BCELoss合成一步BPRLoss：推荐系统领域有两个问题：Raking和RatingRanking：Top-N的推荐Rating：预测物品打分​​​​​​​最新研究都是做排序的：​​​​​​​排序比较贴近实际

一.直接理解作用：解决面对类别不同，模型泛化能力不强的问题方法：meta training阶段：将数据集分成不同的meta task(即：假设有n个类别，每次取出其中的C个类别进行训练，每个类别K个样本——C-way K-shot problem)meta test阶段：面对全新的类别，不需要变动已有的模型就可完成训练。...

一.transformer编码器transformer模型的直觉：positional encoding(位置嵌入|编码)self attention mechanism（自注意力机制与注意力矩阵可视化）layer normalization和残差连接transformer encoder整体结构二.transformer代码解读参考视频：https://www.bi...

多模态推荐系统(WWW'2023)， 多模态推荐数据集

摘要: (这篇文章就觉得, 它是通过动态图解决了隐式反馈一些偶然的交互边的问题)将用户的隐式反馈重组为用户-商品交互图有助于图卷积网络(GCNs)在推荐任务中的应用。在交互图中，用户节点与商品节点之间的边作为gcns的主要元素，进行信息传播，生成信息表示。然而，一个潜在的挑战在于交互图的质量，因为观察到的交互与不太感兴趣的项目发生在隐式反馈中(比如，用户偶然浏览了微视频)。这意味着带有这种假阳性边