不管是GraphSAGE，还是GCN，它们的核心思想其实与朴素的GNN思想一致，都是每个节点根据图的连接结构，通过聚合邻居信息来更新自身节点的信息，再把更新后的节点向量送入神经网络层做进一步的学...

0.引言 最初提出Transformer算法是为了解决自然语言处理领域的问题，Transformer在该领域获得了巨大的成功，几乎超越了循环神经网络模型（RNN），并成为自然语言处理领域的新一代基线模型。论文...

1.EfficientNetV1 EfficientNet源自Google Brain的论文EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks。从标题中可以看出，这篇论文最主要的创新点是模型缩放。论...

1. K均值（K-Means） 计算效率高，适合大数据集。 结果易于解释。 缺点： 需要预先设定聚类数量 K。 对异常值敏感。 假设聚类为凸形且各向同性，可能不适用于复杂形状的数据分布。 初始中心点的...

VAE模型简明指导 VAE最想解决的问题是如何构造编码器和解码器，使得图片能够编码成易于表示的形态，并且这一形态能够尽可能无损地解码回原真实图像。 这似乎听起来与PCA（主成分分析）有些相似...

1 DQN介绍 要理解DQN，我们首先需要理解Q值。Q值是一个函数，Q(s, a)表示在状态s下执行动作a可以得到的预期奖励。直观上讲，Q值告诉智能体哪些动作在长期来看更有利。 Q学习的目标是找到最优的Q...

引言 图神经网络（Graph Neural Networks，GNNs）是一种专为图数据设计的深度学习模型。它们能够直接在图结构上操作，捕捉节点间的复杂关系和图的全局结构特征。图神经网络在多种任务中表现出色...

引言 卷积神经网络（CNN）的核心在于其多样化的卷积技术，每种技术针对不同的应用和性能需求有着独特的优势。逐通道卷积和逐点卷积关注单独通道的特征提取和通道间信息的融合。深度可分离卷积结...

1.线性回归引言 回归分析是一种强大的统计方法，允许我们检查两个或多个变量之间的关系。通过这种分析，我们可以用一个或多个自变量来预测因变量的值。在机器学习和数据科学中，回归算法是一种...

这里先回顾一下之前讲解的朴素图神经网络，如下图： 朴素图神经网络 图中左上角方框部分可以看作图神经网络的初始状态。以 1 号节点为例, 在图神经网络中, 信息的传递是先汇聚一号节点的邻居节...