GraphNeuralTransportNetworkswithNon-localAttentionsforRecommenderSystems用于推荐系统的非局部注意的图神经传输网络来源：WWW2022摘要：通常，GNN通过在本地邻居之间传播和聚合消息来生成用户/项的嵌入。因此，GNN捕获远程依赖关系的能力在很大程度上取决于它们的深度。然而，简单地训练深度gnn会产生瓶颈效应，例如过拟合和过平滑等，无法得到较好的训练效果。为了解决这个问题，作者提出了图最优传输网络(GOTNet)来捕获在不增加GNN深度的情况下的长期依赖关系。GOTNet能够只使用浅层GNN来同时捕获图中的本地和非本地消息，

一.GNN原理介绍1.1GNN简介与优势图(Graph)是一种数据结构，常见的图结构模式包含图的节点(node)和边(edge)，其中边包含实体之间的关系(relationship)信息传统的机器学习所用到的数据是欧氏空间(EuclideanDomain)的数据，欧氏空间下的数据最显著的特征就是有着规则的空间结构，比如图片是统一大小的长方形栅格，语音数据是一维序列，这些数据能够通过一维或二维的矩阵进行表示，进行卷积等操作较为高效。同时，存在一个核心的假设：样本之间是相互独立的但是，在现实生活中许多数据都是不具备规则的空间结构，即是非欧氏空间下的数据，如电子交易、推荐系统等抽象出来的图谱，图谱中

本文首发自【简书】作者【西北小生_】的博客，转载请私聊作者！图1CAM实现示意图一、什么是CAM？CAM的全称是ClassActivationMapping或ClassActivationMap，即类激活映射或类激活图。论文《LearningDeepFeaturesforDiscriminativeLocalization》发现了CNN分类模型的一个有趣的现象：CNN的最后一层卷积输出的特征图，对其通道进行加权叠加后，其激活值（ReLU激活后的非零值）所在的区域，即为图像中的物体所在区域。而将这一叠加后的单通道特征图覆盖到输入图像上，即可高亮图像中物体所在位置区域。如图1中的输入图像和输出图像

先说「二项分布（binomialdistribution）」，因为它是多项分布的特殊情况。二项分布就是抛硬币。现投次硬币，记正面朝上的次数为，反面朝上的次数为，每次投币正面朝上的可能性为，反面朝上的可能性为。最终，有次实验硬币投出正面、有次实验硬币投出反面的可能性为：因为、，该式也可化为我们更熟悉的形式：「多项分布（multinomialdistribution）」，简单来说就是投骰子。这个骰子可以不止有6个面（如果你见过那种神奇的多边形骰子的话；我甚至见过32个面的）。有一种美，叫做数学演绎美，它让我们凭直觉写出正确的表达式——多项分布的联合概率分布：其中，，表示骰子有多少面。一、参数估计：

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