如今距离暑期实习已经很久了，而今也已经要秋招，虽然经过实习，还有很多事情让自己坚定了接着做科研的想法。这里将之前记录的暑期实习几个公司的面试问题简单记录一下。阿里一面（40min，简历问题）自我介绍传统图像如何结合机器学习来做随机森林介绍，产生过拟合的原因（每棵树的变量太多，树太少）；SVM介绍，与Logistic比较（基础层面，应用层面），两种方法是如何解决过拟合与欠拟合问题，实际...

利用信息传递进行节点分类现在我们来关注图网络中的节点分类问题。问题假设为：对于一个图，部分节点已知有标签（label）信息，另一部分没有标签信息，那么我们需要如何利用已知节点信息，来预测未知节点信息？如上图所示，绿色与红色节点已知的节点标签信息，我们需要对灰色的节点进行预测。这类问题被称为半监督节点分类（semi-supervised node classification）。在实际中，有很多场景

背景对于医学图像，有很多地方都会用到U-Net，包括2018 Data Science Bowl 用于分割细胞核的冠军模型，使用的都是U-Net结构，只是其用了大量的数据扩增，以及最后用了分水岭算法。由此可见，这个2015年的网络，在如今的医学图像语义分割效果依旧一骑绝尘。为什么针对一般的医学图像，U-Net的表现会这么好呢？为什么只需要几十张图片进行训练，其效果就能接近人类的分割效果呢？这个问.

由于在实际的训练中，原始的图结构往往不是训练的最优图结构。下面我们考虑如何对图进行增强（graph augmentation），这个类似于数据扩增，提升训练效率，模型的泛化能力及测试集的准确率。这种图增强的方法分为两种类型:图特征增强；图结构增强。需要图增强的原因有如下几点：输入图的节点可能比较缺乏特征；图结构可能过于稀疏，从而没有足够的信息传递；图结构可能过于稠密，进而导致信息传递出现冗余；图可

首先回顾一下整个GNN的结构，前面我们所介绍的都是红色框内所解决的任务。最终得到的节点嵌入结果，是一个关于每个在LLL层节点嵌入的集合：{hv(L),∀v∈G}\left\{\mathbf{h}_{v}^{(L)}, \forall v \in G\right\}{hv(L)​,∀v∈G}下面来我们来介绍图网络里，蓝色框中的预测任务（prediction head），其中包括：节点水平、边水平、图

由于在实际的训练中，原始的图结构往往不是训练的最优图结构。下面我们考虑如何对图进行增强（graph augmentation），这个类似于数据扩增，提升训练效率，模型的泛化能力及测试集的准确率。这种图增强的方法分为两种类型:图特征增强；图结构增强。需要图增强的原因有如下几点：输入图的节点可能比较缺乏特征；图结构可能过于稀疏，从而没有足够的信息传递；图结构可能过于稠密，进而导致信息传递出现冗余；图可

首先回顾一下整个GNN的结构，前面我们所介绍的都是红色框内所解决的任务。最终得到的节点嵌入结果，是一个关于每个在LLL层节点嵌入的集合：{hv(L),∀v∈G}\left\{\mathbf{h}_{v}^{(L)}, \forall v \in G\right\}{hv(L)​,∀v∈G}下面来我们来介绍图网络里，蓝色框中的预测任务（prediction head），其中包括：节点水平、边水平、图

正常的图神经网络叠加应该是如下图所示，直接前一层的输出接后一层的输入。但这样简单的连接会出现 over-smoothing 的问题，即：所有的节点嵌入收敛到相同的值。这显然是不合理的。出现这种现象的原因如下。首先引入一个新概念——接受域（Receptive field），其决定一个感兴趣节点嵌入的一组节点。在K层GNN中，每个节点都有一个K阶邻居的接受域。下图分别为1-3阶邻居示意图：当我们增加邻

图像的颜色模型颜色是视觉系统对可见光的感知结果。可见光是波长在380nm-780nm之间的电磁波。我们看到的大多数光不是一种波长的光，而是由许多不同波长的光组合成的。人的视网膜有对红、绿、蓝颜色敏感程度不同的三种锥体细胞，另外还有一种在光功率极端低的条件下才起作用的杆状体细胞，杆状细胞主要提供视野的整体视象，对低照度较敏感。我们能做什么...

由于在实际的训练中，原始的图结构往往不是训练的最优图结构。下面我们考虑如何对图进行增强（graph augmentation），这个类似于数据扩增，提升训练效率，模型的泛化能力及测试集的准确率。这种图增强的方法分为两种类型:图特征增强；图结构增强。需要图增强的原因有如下几点：输入图的节点可能比较缺乏特征；图结构可能过于稀疏，从而没有足够的信息传递；图结构可能过于稠密，进而导致信息传递出现冗余；图可