论文链接：https://arxiv.org/pdf/2002.01680.pdf代码：https://github.com/cynricfu/MAGNN摘要：大量现实世界的图或网络本质上是异构的，其中包含了多种类型的节点和连边关系。异构图嵌入是将异构图中丰富的结构和语义信息嵌入到网络节点的低维向量表示中。现有模型通常采用定义多个元路径的方式来捕捉其中的复合关系，并以此来指导邻居节点的选择。然而这些模型要么忽略了节点的内容特征（或属性特征），要么只考虑了元路径两端节点而舍弃了元路径内部节点信息，要么只依赖于单个元路径，从而导致其他元路径信息的丢失。为解决上述问题，我们提出了一个名为MAGNN的
@[toc]Malthus指数增长模型假设人口自然增长率r为常数，即单位时间内人口的增长量与当时的人口呈正比。人口倍增时间：参数估计线性化后，利用线性最小二乘法先做数值微分，再计算增长率，将平均增长率作为增长率r的估计值，边界值直接采用原始值。改进的指数增长模型假设人口增长率r是线性可变的。logistic模型自然资源和环境条件等因素对人口的增长起着阻滞作用，随着人口的增加，阻滞作用越明显。资源和环境所能容纳的最大人口数量是。当达到这一最大值时，人口不再增长。因此，假设人口增长率r是t时刻人口x的减函数：logistic模型的参数估计将logistic模型变形，对人口数据做数值微分后计算增长率
论文标题：GraphContrastiveLearningwithAdaptiveAugmentation论文链接：https://arxiv.org/abs/2010.14945论文来源：WWW2021一、概述图对比学习中的数据增强在近来的方法中被证明是一个关键的部分，然而对于图数据增强的方法的研究却是不充分的。对于图像和文本来说，数据增强有很多种方式，然而对于图数据来说，数据增强是不容易的，这是由图数据的非欧几里得特性引起的。本文认为过去的图数据增强方法有两个缺点：①简单的数据增强，比如DGI中的特征打乱，对于生成节点多样化的邻域（也就是上下文）是不充分的，尤其是节点特征较为稀疏时，会导致
从初等数学到高等数学，再到现代数学的主要变化。包含一些专题，初等数学，算术，方程，三角函数，高等数学，线性代数，微积分，微分方程，现代数学，抽象代数，泛函分析，测度论算术加减乘除，最基本的运算，自然数，有理数，实数，复数。是一切数量概念的基础。a+b-cd/e=？1+2=3；5-4=1；45=20；6/3=21/2+1/2=1；1-1/3=2/3；62/3=4；4/6=2/3√2+2√2=3√2；3π-π=2π；√2√6=2√3；√10/√2=√51+2i+(3+4i)=4+6i；3+3i-(1+2i)=2+i；i*i=-1；3/i=-3i方程在计算中引入未知量，求未知量的数值a+2=3，a=
平面图形的对称有双侧、旋转、平移、滑动及他们的组合，某些正多面体构成的旋转群。这些相对好理解。不过，对称概念可以应用于除几何图形外的其他对象。通过群对自身的作用（群元素对群本身的合成法则）得到的置换群，本身是自同构（保持运算不变的双射）的，这就是抽象的对称。 一个圆绕其圆心旋转具有不变性，一次旋转作为一个“元素”，连续两次旋转称为一个“乘法”，（旋转，连续两次旋转）就构成了一个圆群，可以验证其满足了群四点。单位元在笛卡尔坐标中通过利用参数方程表示的内容通过欧拉公式可以在复平面上表示为.在此可以认为从横轴逆时针旋转了。又旋转了后，可以把连续两次旋转表示为，这也就是该群的合成法则。从另一个角
原创：程祥国1.XGBoost概述XGBoost是陈天奇提出的一个端对端的梯度提升树系统，该算法在GBDT【关于GBDT这里不再展开叙述，可以参考李航老师统计学习方法一书中对该算法的讲述】的基础之上，在算法层面和系统设计层面都做了一些创新性的改进，可以把XGBoost看作是GBDT更好更快的实现。XGBoost在许多机器学习以及数据挖掘的任务中表现惊艳，2015年，kaggle竞赛平台上发布了29个挑战获胜的解决方案，其中17个解决方案用了XGBoost。由于XGBoost在实际任务中的良好表现，因此搞清XGBoost的实现细节对于在实践中应用XGBoost是非常有帮助的。因此本文基于陈天奇的
论文提出新颖的混合网络用于解决长尾图片分类问题，该网络由用于图像特征学习的对比学习分支和用于分类器学习的交叉熵分支组成，在训练过程逐步将训练权重调整至分类器学习，达到更好的特征得出更好的分类器的思想。另外，为了节省内存消耗，论文提出原型有监督对比学习。从实验结果来看，论文提出的方法效果还是很不错的，值得一看来源：晓飞的算法工程笔记公众号论文:ContrastiveLearningbasedHybridNetworksforLong-TailedImageClassification[图片上传失败...(image-c3ac3-1654002352477)]论文地址：https://arxiv
2018年理数全国卷C题21已知函数.（1）若，证明∶当时，；当时，;（2）若是的极大值点，求.【解答问题1】函数的定义域为.若，则函数单调递减，单调递增，;函数单调递增，单调递增，;证明完毕.【解答问题2】令，则若是的极大值点，则存在,使得在区间内，单调递增，在区间内，单调递减.相应地，其一阶导函数的值有以下特征：;;;其二阶导函数存在两种情况：①;②;本题中，,情况①不成立，所以情况②成立。换言之，同时也是的极值点，必要条件是：解得：又∵∴当,存在,使得综上所述，既是必要条件，也是充分条件.【提炼与提高】对于极值问题，求导是个好办法。如果一次不行，还可以两次、三次。需要注意的是：仅仅是函数
k-means聚类k-means聚类是无监督学习，训练数据集都是未添标签的(不知类别)。就连数据集最终要分成几类都是不知道的。聚类和分类的不同是，后者必须对分类的目标事物必须是已知的。聚类算法是根据样本之间的距离（相似度）来分类的，判断是否属于同一个簇。常见的计算距离的算法有欧式距离，曼哈顿距离和余弦相似性距离等。其中欧式距离，在二维平面上就是两点距离公式。应用假设有如下数据集，现在要用k-means聚类把它进行分类1.6589854.285136-3.4536873.4243214.838138-1.151539-5.379713-3.3621040.9725642.924086-3.567
最近在搞一点预测技术，用过去的数据，预测将来的数据。比如说，在过去一周中，从周一到周日，武大郎卖的炊饼数是20，20，20，20，20，20，20，那么下一周他每天能卖出多少？他必须预测出来，不然潘金莲的炊饼做多了，做少了，都要亏钱的。大朗的炊饼好预测，看起来很简单。但西门大官然的店铺好多，要预测清楚，就不容易了。我挑了不少方法，最终决定用XGBoost，因为要考虑刮风下雨，还有大宋国假期这些因素的影响。在此之前，我还是花了不少时间在ARIMA上。毕竟，炊饼经营，是时序数据，ARIMA对付稳定的时序数据，那是最擅长的。研究ARIMA，少不了要确定p和q，要看ACF和PACF的截尾和拖尾。但各种
