摘要：华为云数据库创新Lab在论文《MARINA:AnMLP-AttentionModelforMultivariateTime-SeriesAnalysis》中提出了华为自研的自回归时序神经网络模型，可用于时序数据的预测以及异常检测。本文分享自华为云社区《CIKM'22MARINA论文解读》，作者：云数据库创新Lab。华为云数据库创新Lab在论文《MARINA:AnMLP-AttentionModelforMultivariateTime-SeriesAnalysis》中提出了华为自研的自回归时序神经网络模型，可用于时序数据的预测以及异常检测。本文发表在CIKM'22上，CIKM会议是由美国

TimeSeriesAnalysisBestMSE(MeanSquareError)Predictor对于所有可能的预测函数\(f(X_{n})\)，找到一个使\(\mathbb{E}\big[\big(X_{n}-f(X_{n})\big)^{2}\big]\)最小的\(f\)的predictor。这样的predictor假设记为\(m(X_{n})\)，称作bestMSEpredictor，i.e.，\[m(X_{n})=\mathop{\arg\min}\limits_{f}\mathbb{E}\big[\big(X_{n+h}-f(X_{n})\big)^{2}\big]\]我们知道：

TimeSeriesAnalysisBestMSE(MeanSquareError)Predictor对于所有可能的预测函数\(f(X_{n})\)，找到一个使\(\mathbb{E}\big[\big(X_{n}-f(X_{n})\big)^{2}\big]\)最小的\(f\)的predictor。这样的predictor假设记为\(m(X_{n})\)，称作bestMSEpredictor，i.e.，\[m(X_{n})=\mathop{\arg\min}\limits_{f}\mathbb{E}\big[\big(X_{n+h}-f(X_{n})\big)^{2}\big]\]我们知道：

esxi主机配置管理网络选项是灰色的，但是放松一下，有一种方法可以解决这个问题......如下图所示：网络管理选项都变成了灰色，且不可选中。image.png下面是处理步骤：步骤1：通过单击“故障排除选项”登录到DCUI命令行界面，然后选择“启用ESXiShell”。这在ESXi主机上启用了直接命令行。现在发出ALT+F1键。这将带您进入命令行shell界面。使用root登录并输入其余命令。image.png步骤2：是使用esxcli命令重建标准交换机。注意：您的ESXi是否处于维护模式？，通常在进行任何重大更改之前将服务器置于维护状态，尤其是与网络更改有关的情况下。这将列出您的vmkerna

esxi主机配置管理网络选项是灰色的，但是放松一下，有一种方法可以解决这个问题......如下图所示：网络管理选项都变成了灰色，且不可选中。image.png下面是处理步骤：步骤1：通过单击“故障排除选项”登录到DCUI命令行界面，然后选择“启用ESXiShell”。这在ESXi主机上启用了直接命令行。现在发出ALT+F1键。这将带您进入命令行shell界面。使用root登录并输入其余命令。image.png步骤2：是使用esxcli命令重建标准交换机。注意：您的ESXi是否处于维护模式？，通常在进行任何重大更改之前将服务器置于维护状态，尤其是与网络更改有关的情况下。这将列出您的vmkerna

原文地址论文：https://arxiv.org/pdf/1812.11703.pdf程序：https://github.com/PengBoXiangShang/SiamRPN_plus_plus_PyTorch摘要基于孪生网络的跟踪器将跟踪表述为目标模板和搜索区域之间的卷积特征互相关。然而孪生网络的算法不能利用来自深层网络（如resnet-50或更深层）的特征，与先进的算法相比仍然有差距。在文章中我们证明了核心原因是孪生网络缺乏严格的平移不变性。我们突破了这一限制，通过一个简单而有效的空间感知采样策略，成功地训练了一个具有显著性能提升的基于ResNet网络的孪生跟踪器。此外，我们还提出了一

原文地址论文：https://arxiv.org/pdf/1812.11703.pdf程序：https://github.com/PengBoXiangShang/SiamRPN_plus_plus_PyTorch摘要基于孪生网络的跟踪器将跟踪表述为目标模板和搜索区域之间的卷积特征互相关。然而孪生网络的算法不能利用来自深层网络（如resnet-50或更深层）的特征，与先进的算法相比仍然有差距。在文章中我们证明了核心原因是孪生网络缺乏严格的平移不变性。我们突破了这一限制，通过一个简单而有效的空间感知采样策略，成功地训练了一个具有显著性能提升的基于ResNet网络的孪生跟踪器。此外，我们还提出了一

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，

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，

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