一、问题1、图数据在现实生活中，很多的数据都是以图的形式存在，像社交网络，知识谱药物和新材料等，图神经网络也被广泛的应用于多个场景，如推荐系统，异常检测，药物以及蛋白质结构预测等。首先我们来对最常见图卷积神经网络做一个简单的回顾，从公式上来看，GCN的表达形式与传统的深度神经网络区别在于多了含自环的度矩阵和邻接矩阵，也就是增加了聚合邻居节点特征的一个过程。因此在GCN的每一层包含两个操作，propagation操作用来聚合邻居的信息，transformation操作用来做变换。如果公式中的A矩阵是单位矩阵或者删去图里所有的边，那么GCN此时就退化成了MLP。2、图神经网络GCN的性能优于MLP
虽说现代的深度学习早已脱离对「生物神经网络」的模仿，但了解生物大脑的运行机制，对于神经网络模型的未来发展仍然很有帮助。大脑回路的结构方式影响着大脑的计算能力，但到目前为止，除了在一些非常简单的生物体中，仍然还没有看到任何大脑的具体结构。去年11月，来自剑桥大学、约翰霍普金斯大学、珍利亚研究园区等多家顶尖机构的研究人员在Biorxiv上传了一篇论文，经过十余年的艰苦研究，首次完整地对「果蝇幼虫」的大脑连接组进行重建。论文链接：https://www.science.org/doi/10.1126/science.add93303月10日，相关成果发表在《科学》杂志上。论文作者之一，来自约翰霍
虽说现代的深度学习早已脱离对「生物神经网络」的模仿，但了解生物大脑的运行机制，对于神经网络模型的未来发展仍然很有帮助。大脑回路的结构方式影响着大脑的计算能力，但到目前为止，除了在一些非常简单的生物体中，仍然还没有看到任何大脑的具体结构。去年11月，来自剑桥大学、约翰霍普金斯大学、珍利亚研究园区等多家顶尖机构的研究人员在Biorxiv上传了一篇论文，经过十余年的艰苦研究，首次完整地对「果蝇幼虫」的大脑连接组进行重建。论文链接：https://www.science.org/doi/10.1126/science.add93303月10日，相关成果发表在《科学》杂志上。论文作者之一，来自约翰霍
递归神经网络（RNN）RNN是最强大的模型之一，它使我们能够开发如分类、序列数据标注、生成文本序列（例如预测下一输入词的SwiftKeykeyboard应用程序），以及将一个序列转换为另一个序列（比如从法语翻译成英语的语言翻译）等应用程序。大多数模型架构（如前馈神经网络）都没有利用数据的序列特性。例如，我们需要数据呈现出向量中每个样例的特征，如表示句子、段落或文档的所有token。前馈网络的设计只是为了一次性地查看所有特征并将它们映射到输出。让我们看一个文本示例，它显示了为什么顺序或序列特性对文本很重要。Ihadcleanedmycar和Ihadmycarcleaned两个英文句子，用同样的单
递归神经网络（RNN）RNN是最强大的模型之一，它使我们能够开发如分类、序列数据标注、生成文本序列（例如预测下一输入词的SwiftKeykeyboard应用程序），以及将一个序列转换为另一个序列（比如从法语翻译成英语的语言翻译）等应用程序。大多数模型架构（如前馈神经网络）都没有利用数据的序列特性。例如，我们需要数据呈现出向量中每个样例的特征，如表示句子、段落或文档的所有token。前馈网络的设计只是为了一次性地查看所有特征并将它们映射到输出。让我们看一个文本示例，它显示了为什么顺序或序列特性对文本很重要。Ihadcleanedmycar和Ihadmycarcleaned两个英文句子，用同样的单
大师兄的数据分析学习笔记(二十二）：逻辑回归（LogisticRegression）大师兄的数据分析学习笔记(二十四）：回归树与提升树一、关于分类和回归分类和回归的界限并不大：分类可以看做是有限状态的回归。回归可以看做是无限定序数据的分类。很多模型都是可以在分类和回归中互相借鉴使用，只是在细节处理上需要特殊对待，比如人工神经网络。在监督学习中，所谓分类和回归的目的，可以理解成以下过程：给定一些特征和特征的标注，整理他们的特征、标注和连续值。当一个未知数据进入时，让新数据的特征，和整理好的被给定的数据特征中最相似的数据特征保持一致的分类，或保持相近的连续值。也就是说让测试集和验证集的数据，尽可能
大师兄的数据分析学习笔记(二十二）：逻辑回归（LogisticRegression）大师兄的数据分析学习笔记(二十四）：回归树与提升树一、关于分类和回归分类和回归的界限并不大：分类可以看做是有限状态的回归。回归可以看做是无限定序数据的分类。很多模型都是可以在分类和回归中互相借鉴使用，只是在细节处理上需要特殊对待，比如人工神经网络。在监督学习中，所谓分类和回归的目的，可以理解成以下过程：给定一些特征和特征的标注，整理他们的特征、标注和连续值。当一个未知数据进入时，让新数据的特征，和整理好的被给定的数据特征中最相似的数据特征保持一致的分类，或保持相近的连续值。也就是说让测试集和验证集的数据，尽可能
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
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
脑连接体拓扑结构异常是重度抑郁障碍(MDD)病理机制的基础。然而，越来越多的证据只关注脑灰质中的功能组织，而忽略了已被证实具有可靠稳定拓扑组织的白质中的功能信息。本研究旨在从一个新的视角-白质WM功能连接组拓扑结构来表征MDD的功能模式中断。我们对发现的91例未服药MDD患者和225例健康对照(HC)和复制样本(34例未服药MDD患者和25例HC)进行了病例对照、横断面静息状态功能磁共振成像研究。在128个解剖区域构建WM功能网络，并使用基于图论的方法分析其全局拓扑性质(如小世界性)。在系统层面，普遍存在的小世界架构和局部信息处理能力在未服药的MDD患者中可检测到，但不如在HC中显著，这意味着
