文章目录论文信息摘要论文内容与结构1.Introduction2.TerminologyandTaxonomy（术语与分类法）3.DataOwnersRelatedbyaGraph（第一大类）3.1FedGNNswithaCentralServer3.2FedGNNswithoutaCentralServer4.DataOwnersnotRelatedbyaGraph（第二大类）4.1ClientswithNoOverlappingNodes4.2ClientswithPartiallyOverlappingNodes4.3ClientswithCompletelyOverlappingNod
整体结构图：StylePooling风格池部分：StyleIntegration风格集成部分1.提出了一个基于风格的重新校准模块(SRM),他通过利用中间特征映射的风格来自适应地重新校准。2.SRM首先通过样式池从特征图的每个通道中提取样式信息，然后通过独立于通道的样式集成估计每个通道的重校正权重。stylepooling简单来说就是通过一个降维操作，可以有效的提取样式信息3.SRM将个体风格地相对重要性融入到特征图中，可以有效地增强CNN的表征能力。个人认为这个所谓的SRM与注意力机制很相似4.SRM动态地估计单个风格的相对重要性，然后根据风格的重要性重新调整特征映射的权重，这允许网络专注于
论文信息EvolveGCN:EvolvingGraphConvolutionalNetworksforDynamicGraphs原文地址：EvolveGCN:EvolvingGraphConvolutionalNetworksforDynamicGraphs：https://ojs.aaai.org/index.php/AAAI/article/view/5984/5840摘要GraphrepresentationlearningresurgesasatrendingresearchsubjectowingtothewidespreaduseofdeeplearningforEu-clidea
论文信息EvolveGCN:EvolvingGraphConvolutionalNetworksforDynamicGraphs原文地址：EvolveGCN:EvolvingGraphConvolutionalNetworksforDynamicGraphs：https://ojs.aaai.org/index.php/AAAI/article/view/5984/5840摘要GraphrepresentationlearningresurgesasatrendingresearchsubjectowingtothewidespreaduseofdeeplearningforEu-clidea
1GNN的设计pipeline1.1获取图结构结构化场景图结构在应用问题中是已知的比如分子结构、物理系统非结构化场景图结构在应用问题中是未知的需要根据任务人为地建图1.2判断图的类型&尺寸图的类型有向图/无向图//+异构图/同构图图中的点和边类型是不是一样的静态图/动态图如果输入特征/图的拓扑关系会随着时间变化，那么图是一个动态图这类类型之间是正交的，也就是可以有各种类型的组合尺寸没有明确的规定大图和小图评判标准会随着计算硬件设备的发展而变化在这篇论文中，如果邻接矩阵/拉普拉斯矩阵（复杂度）无法被设备存储，那么我们认为这是一个大图1.3设计损失函数点级别的任务点分类、点回归、点聚类等边级别的
论文名称：EnhancedDeepResidualNetworksforSingleImageSuper-Resolution论文下载地址：https://arxiv.org/pdf/1707.02921.pdf论文代码地址：https://github.com/sanghyun-son/EDSR-PyTorch论文参考翻译：https://blog.csdn.net/qq_43620967/article/details/126210566论文标题1.论文概述在本论文中，作者提出了一种增强的深度超分辨率网络（EDSR），其性能超过了目前最先进的SR方法。EDSR模型的显著性能改进是通过去除传
下面所有博客是个人对EEG脑电的探索，项目代码是早期版本不完整，需要完整项目代码和资料请私聊。数据集1、脑电项目探索和实现(EEG)(上)：研究数据集选取和介绍SEED相关论文阅读分析：1、EEG-SEED数据集作者的—基线论文阅读和分析2、图神经网络EEG论文阅读和分析：《EEG-BasedEmotionRecognitionUsingRegularizedGraphNeuralNetworks》3、EEG-GNN论文阅读和分析：《EEGEmotionRecognitionUsingDynamicalGraphConvolutionalNeuralNetworks》4、论文阅读和分析:Mas
鉴于介绍新数据集和Benchmark研究往往需要不同于常规论文的评审标准，计算机视觉和自然语言处理领域，以及最近的NeurIPS会议，都有专门致力于建立新Benchmark数据集和任务的ConferenceTrack。然而在图机器学习领域，我们还没有类似的发表渠道。WorkshoponGraphLearningBenchmarks（GLB）致力于征集新的图机器学习任务或新的图结构数据集方面的贡献，这些任务和数据有潜力（i）帮助理解图表示模型在不同问题集合上的性能和局限性；（ii）为各种模型提供Benchmark评估支持。我们还欢迎基于Data-Cenetric方法的图学习的贡献，例如收集、注释
下面所有博客是个人对EEG脑电的探索，项目代码是早期版本不完整，需要完整项目代码和资料请私聊。数据集1、脑电项目探索和实现(EEG)(上)：研究数据集选取和介绍SEED相关论文阅读分析：1、EEG-SEED数据集作者的—基线论文阅读和分析2、图神经网络EEG论文阅读和分析：《EEG-BasedEmotionRecognitionUsingRegularizedGraphNeuralNetworks》3、EEG-GNN论文阅读和分析：《EEGEmotionRecognitionUsingDynamicalGraphConvolutionalNeuralNetworks》4、论文阅读和分析:Mas
原始题目EnhancingUnderwaterImageryusingGenerativeAdversarialNetworks中文名称使用GAN增强水下图像发表时间2018年1月11日平台ICRA2018来源UniversityofMinnesota,MinneapolisMN文章链接https://arxiv.org/abs/1801.04011开源代码官方：https://github.com/IRVLab/UGAN（tensorflow）摘要自动水下航行器(Autonomousunderwatervehicles(AUVs))依靠各种传感器——声学、惯性和视觉（acoustic,ine
