cs224w_ch2_lab
2023-10-13 65 words 1 min

cs224w_ch2_lab

用NetworkX来创建、计算图 默认创建的是undirected graph，当然也可以使用direct graph的class： 123456789101112import networkx as nx# Create an undirected graph GG = nx.Graph()print(G.is_directed()) #false# Create a directed graph HH = nx.DiGraph()print(H.is_directed())# Add graph level attributeG.graph["Name"] = &quo
high_performance_computer_network_lecture1
2023-10-13 599 words 2 mins

high_performance_computer_network_lecture1

课程要求： 27学时线上+27课时线下 考试占比50%，线上考试 线上刷视频、做练习、讨论区（权重最高，占平时成绩50%的60%）提问+回答问题 因特网结构IP-based framework 从IP网拓展到了物联网，其原因是智能终端的增多。 校园网的连接：$$武理\stackrel{光纤}{\longrightarrow}华科\stackrel{光纤}{\longrightarrow}清华\stackrel{光纤}{\longrightarrow}外网$$所以理论上访问武汉市的外网的速度慢于访问清华的内网，只不过现在由于速度的提升，这点时延差在人类的感知上可以忽略。 4G、5G指的
cs224w_ch3
2023-10-13 1.6k words 6 mins

cs224w_ch3

ch2讲的就是我们如何设计特征，来尽量准确的表示这个网络，然后再交给机器学习算法如SVM，最后得到我们的预测： 事实上我们可能会花大部分的时间去做特征工程。 这一节考虑的是，能否不用特征工程。 图表征学习：自动获取网络的特征。 node embedding结点嵌入两个很重要的特征； 无监督：训练不需要利用结点的label，也不需要feature task independent：嵌入就是一个提取网络特征的过程，可以将提取出的特征用于任何适合的机器学习算法，也就是与下游任务无关。 图嵌入是干这样的一件事：将node u自然而然的映射（map）到一个d维的向量中去。这个过程被称为node
20h_write_sci
2023-10-13 1.7k words 6 mins

20h_write_sci

0 Abstract本部分最后写。不要太长，突出重点，一般在150词左右。 第1句：介绍工程背景。 第2-3句：由工程问题引出本文研究内容，强调研究内容对解决该工程问题的重要意义。如：Thus, the XX is the key problem in the engineering design of XX. 第4-5句：介绍本文核心工作。如：In this paper, XX experiment was performed to study XX problem, and XX model was proposed to predict the responses the XX. U
cs224w_ch2
2023-10-10 2k words 7 mins

cs224w_ch2

node-level feature这一节主要讲node-level features 我们关注的两种feature： structure feature：例如图的topology feature of nodes attribution 这里我们先假设node已经有一些feature了，比如蛋白质的化学结构等其他属性。 在此基础之上，我们还需要确定一些特征：这个node在这个网络中position，应该如何去描述？ 当上面的这俩都被确定了，我们就拥有了整个网络的topology。 传统的机器学习做法是：确定好图的nodes、links、graph，然后表示称特征向量，然后再给到学习
cs224w_ch1
2023-10-09 1.3k words 4 mins

cs224w_ch1

1.1 why graphs首先要回答标题这个问题，为什么是图？抽象的图可以用一些结点和边来表示： 而生活中的很多物体、场景都可以抽象为图： 距离、地面图： 现实中的一些网络： 知识图谱、场景图、代码编译图、生物分子、计算机3D图形： 我们可以使用图对上面这些以及更多的生活中的基础场景进行建模，然后来进行处理。 如今的深度学习时代，有很多非常强有力的工具能够处理序列/网格数据，如：语音、文本等，也能够很好的处理fixed image来进行预测和分类，在这些方面已经有了惊人的成就了。但是，对于graph和network，这种具有任意大小、任意拓扑的数据结构，它没有序列数据那
first_gnnbook_ch2
2023-10-09 540 words 1 min

first_gnnbook_ch2

摘要图表征学习的目的是：将图中的结点以低维度表征的形式表现出来，同时又改变图原本的结构。 图表征学习介绍图表征学习的一大困难是：如何有效的表示图，使得一些先进的方法如模式识别、分析、预测，能够被高效的运用在图上，不管是时间还是空间上。 以传统的方式表示图（$G=(V,E)$），在main对数百万个结点时，分析起来会有以下问题： 计算复杂度高 不能并行计算 不适用于机器学习方法 要想让图表征学习能够被分析、运算，有以下两个目标 图能够被重构到可以被运算的表征空间中去。 这个表征空间支持图推断 满足以上两个要求，就意味着可以用图来做：分类、预测等任务了。 有三个方法：传统图嵌入、
Poisoning Attacks on Deep Learning based Wireless Traffic Prediction
2023-10-08 2.4k words 8 mins

Poisoning Attacks on Deep Learning based Wireless Traffic Prediction

从背景、问题、方法、结论、创新点、相关工作、评价等几个方面做论文笔记 1、研究动机是什么 poisoning attack这个问题在CV领域已经有人做了，但在WTP领域还是空白。 2、主要解决了什么问题 作者提出了两种攻击方式，分别是在集中式和分布式场景下，对训练阶段进行中毒攻击；并提出了两种防御方法，验证了其有效性。 3、所提方法是什么 集中式场景–数据中毒攻击–数据清洗； 分布式场景–模型中毒攻击–异常检测。 4、关键结果和结论是什么 5、创新点在哪里，这篇论文到底有什么贡献？ 在WTP领域提出两种中毒攻击并且提出了解决方法。 在WTP这是一个全新的问题。 6、有值得阅读的相关文献吗 有很
dsp_ch2
2023-10-08 657 words 2 mins

dsp_ch2

信号的基本概念信号的定义：随时间变化的有限实值函数。其有两个特性： 实值性：信号的取值都是实数。 有限性：信号的值是有限值，从功率的角度来看，功率是有限的，能量是有限的，信号自然也是有限的。 以确定性为标准，信号可分为确定信号和随机信号： 确定信号：对于任意时刻，都可以确定信号的值。 随机信号：只能从概率分布的角度描述随机信号的相位or幅度。 从时间变量（定义域）的取值是否连续可分为：连续信号 or 离散信号 从定义域以及值域的取值是否连续（同时，二者都），可分为模拟信号 or 数字信号。 信号的时域描述对模拟信号$x_a(t)$从时间上进行采样，可得到离散信号$x(n)$:$$x_a
first_gnnbook_ch1
2023-10-08 1.9k words 6 mins

first_gnnbook_ch1

摘要介绍了一下这章干什么，讲表示学习（表征学习），然后主要关注DL方面的方法。解释了DL：一系列非线性变换，以得到更抽象、更有用的表示。然后是表征学习可以运用的领域：图片、nlp、演讲信号、网络…… 表征学习介绍踩了一波ML：依赖算法、数据特征的选取。不好的特征可能会影响算法、包含过多冗余信息。 然后给出表示学习的目的：从数据中提取出足够但是有限的特征。传统的做法是这样，利用特征工程–利用人的先验知识以及领域专家知识，来人工提取特征。并且，很大一部分的精力是放在数据预处理以及数据转换身上（也就是通俗的玩数据）。特别的，又踩了一波特征工程，就是利用的独创性和先验知识提取特征，先有人工再有智能。下