·阅读摘要：   本文提出结合基于CNN微调的HFT-CNN模型来解决层级多标签文本分类问题。   [1] HFT-CNN: Learning Hierarchical Category Structure for M

Graph Structure Learning 博主以前整理过一些Graph的文章，背景前略，但虽然现在GNN系统很流行，但其实大多数GNN方法对图结构的质量是有要求的，通常需要一个完美的图结构来学习信息嵌入。 即，真的不是万物都可Gr

《Hierarchical Graph Pooling with Structure Learning》阅读笔记 文章目录《Hierarchical Graph Pooling with Structure Learning》阅读笔记前言一

ABSTRACT当原始图结构中存在噪声连接时，gnn的性能会下降;此外，gnn对显式结构的依赖使其无法应用于一般的非结构化场景。为了解决这些问题，最近出现的深度图结构学习(G

将时间序列的相互作用描述为一个图结构，变量表示为图节点，近年来的研究显示了将图神经网络应用于多元时间序列预测的巨大前景。沿着这条线，现有的方法通常假设决定图神经网络聚合方式的图结构(或邻接矩阵)是通过定义或自学习固定的。然而，变量之间的相互

博主在以往的文章中更新过图结构学习的相关概念，和北邮团队的几篇关于图结构学习的文章（主要KDD20，AAAI21，WWW21，AAAI21）。 Graph Structure Learning（图结构学习综述） Graph Structur

上一篇博文简要review了关于图结构学习的综述：Graph Structure Learning（图结构学习），本篇文章主要整理一下这几篇很有意思的工作，分别来自北邮团队的KDD20，AAAI21，WWW21，AAAI21。 [KDD2

Structure-Aware Transformer for Graph Representation Learning（ICML22）摘要Transformer 架构最近在图表示学习中受到越

1.Understanding Contrastive Representation Learning through Alignment and Uniformity on the Hyperspher1. 论文思路提出了contra

Human-level control through deep reinforcement learning 论文链接：https:courses.cs.washington.educoursescse571

AbstractANN的参数在训练阶段对数据集中学习，在部署和召回阶段对新数据进行冻结和静态使用，为了适应在数据分配的改变，ANN必须重新训练全部的数据集来避免灾难性遗忘在研

【论文阅读】Optimal Auctions Through Deep Learning0 背景调研本文发表在 PMLR-2019 中，目前被引次数为 155 次（谷歌学术&#xff09

论文核心 论文提出了一种结构化剪枝策略，剪枝对象为 channel ，对 channel 重要性的评价标准使用的是 Batch Normalization 层中的缩放因子，这不会给网络带来额外的开销。 论文细节品读 带 L 1 L1 L

Abstract 强化学习理论在动物行为上，深入到心理和神经科学的角度，关于在一个环境中如何使得智能体优化他们的控制，提供了一个正式的规范。为了利用强化学习成功的接近现实世界

论文github：Website Fingerprinting through Deep Learning (distrinet-research.be) 数据dataset：GitHub - jmhIcodingDLWF: Sourc

如下是学习笔记，学习资源来自 莫烦PYTHON：https:morvanzhou.github.iotutorialsotherslinux-basic视频资源&#xff1

TLC数据集概览 {"api_seq": ["String.hashCode"], "comment": " This returns the hash code fo

In the text recorded my practice on an interaction done with chatGPT for step-by-step learning a programming language.An

人在环路的强化学习（Reinforcement Learning with Human in the Loop, HIL） 和 人类反馈的强化学习（Reinforcement

Supervised Prototypical Contrastive Learning for Emotion Recognition in Conversation论文阅读2022.10.17_Supervised Prototyp