一、文章涉及论文源码《TowardsOpenSetDeepNetworks》：https://github.com/abhijitbendale/OSDN《Meta-Recognition:TheTheoryandPracticeofRecognitionScoreAnalysis》：https://github.com/Vastlab/libMR说明：关于OpenMax算法的具体实现，有兴趣的可以备注来意q：3270348868二、基本概念1.激活向量AV：即训练（测试）样本通过神经网络的倒数第二层（全连接层）得到各类样本的激活向量AV.2.均值激活向量MAV：即各类训练样本的AV的均值，如

Acceptedpaperslist（2023.5.28）AAAI2023：暂未查询到全文，欢迎大家补充**ICLR2023**：https://openreview.net/group?id=ICLR.cc/2023/ConferenceWWW2023：https://dblp.uni-trier.de/db/conf/www/www2023.htmlCVPR2023：https://openaccess.thecvf.com/CVPR2023?day=allACL2023：ICML2023：==KDD2023：IJCAI2023：https://ijcai-23.org/main-trac

文章目录论文信息摘要SpreadGNNFramework用于图层次学习的联邦图神经网络图神经网络的联邦多任务学习SpreadGNNDPA-SGD的收敛性质实验总结论文信息SpreadGNN:ServerlessMulti-taskFederatedLearningforGraphNeuralNetworks原文链接：SpreadGNN:ServerlessMulti-taskFederatedLearningforGraphNeuralNetworks：https://arxiv.org/abs/2106.02743摘要GraphNeuralNetworks(GNNs)arethefirstc

这是一片十年前的文章（2012年），让我们回到十年前来看看Alex小哥、Hinton大佬和他的小伙伴们是怎么设计神经网络的。论文下载地址：https://papers.nips.cc/paper/2012/hash/c399862d3b9d6b76c8436e924a68c45b-Abstract.html李沐老师的精读视频：https://www.bilibili.com/video/BV1ih411J7Kz/?spm_id_from=333.788&vd_source=9e5b81656aa2144357f0dca1094e9cbeAlexNet实现：https://www.jianshu

《论文阅读》用提示和复述模拟对话情绪识别的思维过程IJCAI2023前言简介相关知识promptengineeringparaphrasing模型架构第一阶段第二阶段History-orientedpromptExperience-orientedPromptConstructionLabelParaphrasing损失函数前言你是否也对于理解论文存在困惑？你是否也像我之前搜索论文解读，得到只是中文翻译的解读后感到失望？小白如何从零读懂论文？和我一起来探索吧！今天为大家带来的是《MimickingtheThinkingPro

摘要             深度卷积神经网络（CNN）在许多实际应用中的部署在很大程度上受到其高计算成本的阻碍。在本文中，我们提出了一种新的神经网络学习方案，以同时1）减小模型大小；2）减少运行时内存占用；以及3）在不损害精度的情况下减少计算操作的数量。这是通过以简单但有效的方式在网络中实施通道级稀疏性来实现的。与许多现有方法不同，所提出的方法直接适用于现代CNN架构，为训练过程引入了最小开销，并且不需要用于生成模型的专用软件/硬件加速器。我们称我们的方法为网络瘦身，它将宽网络和大网络作为输入模型，但在训练过程中，不重要的通道会被自动识别并在之后进行修剪，从而生成具有相当精度的瘦而紧凑的模型

前言要弄清MAML怎么做，为什么这么做，就要看懂这两张图。先说MAML**在做什么？**它是打着Mate-Learing的旗号干的是few-shotmulti-taskLearning的事情。具体而言就是想训练一个模型能够使用很少的新样本，快速适应新的任务。定义问题我们定义一个模型fff,输入xxx输出aaa。-定义每一个Task-TTT包含一个损失函数LLL,一个原始观察q(x1)q(x_1)q(x1​),一个状态转移分布q(x1∣xt,at)q(x_1|x_t,a_t)q(x1​∣xt​,at​)以及集长度HHH。在监督任务中H=1(也就是说当前的a只和当前的x有关)。元学习方法介绍元学习

HypergraphNeuralNetworks1.Abstract提出了一个用于数据表示学习的超图神经网络（HGNN）框架，它可以在超图结构中编码高阶数据相关性。面对在实际实践中学习复杂数据表示的挑战，我们建议将这种数据结构合并到超图中，这在数据建模上更加灵活，特别是在处理复杂数据时。该方法设计了一种超边卷积操作来处理表示学习过程中的数据相关性。这样，传统的超图学习过程就可以有效地使用超边卷积运算来进行。HGNN能够学习考虑高阶数据结构的隐藏层表示，这是一个考虑复杂数据相关性的通用框架。我们进行了引文网络分类和视觉目标识别任务的实验，并将HGNN与图卷积网络等传统方法进行了比较。实验结果表明

2021NIPS原来的时间序列预测任务是根据预测论文提出用一阶自回归误差预测一阶差分，类似于ResNet的残差思路？记为pred，最终的预测结果