<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[bunny___的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/bunny___</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; bunny___]]></copyright><item><title><![CDATA[爱思唯尔期刊投稿经验（2024.11）]]></title><link>https://blog.youkuaiyun.com/bunny___/article/details/143491487</link><guid>https://blog.youkuaiyun.com/bunny___/article/details/143491487</guid><author>bunny___</author><pubDate>Mon, 04 Nov 2024 18:55:56 +0800</pubDate><description><![CDATA[会议一般是提交论文pdf，但是爱思唯尔期刊要上传LaTeX源码文件，后缀是.tex，然后提交时交稿系统编译器产生pdf，最后确认一下。

上传和编译产生pdf的时候遇到一些问题，现已解决，记录一下流程。]]></description><category></category></item><item><title><![CDATA[论文《Adaptive Kernel Graph Neural Network》笔记]]></title><link>https://blog.youkuaiyun.com/bunny___/article/details/143288326</link><guid>https://blog.youkuaiyun.com/bunny___/article/details/143288326</guid><author>bunny___</author><pubDate>Mon, 28 Oct 2024 11:05:44 +0800</pubDate><description><![CDATA[【AKGNN 2022 AAAI】GNNs通常由预定义的核引导，如拉普拉斯矩阵、邻接矩阵或它们的变体。然而，采用预定义核可能会限制对不同图的一般性：图和核之间的不匹配会导致次优性能。为了解决该问题，本文提出了一种自适应核图神经网络（AKGNN），它第一次尝试学习以统一的方式适应最优图核。AKGNN通过修改图拉普拉斯的最大特征值，自适应地调节全通和低通滤波器之间的平衡。]]></description><category></category></item><item><title><![CDATA[论文《Frequency constraint-based adversarial attack on deep neural networks for medical image classific]]></title><link>https://blog.youkuaiyun.com/bunny___/article/details/142386108</link><guid>https://blog.youkuaiyun.com/bunny___/article/details/142386108</guid><author>bunny___</author><pubDate>Fri, 20 Sep 2024 15:11:04 +0800</pubDate><description><![CDATA[【Frequency constraint-based adversarial attack 2023 CIBM】现有的攻击方法容易被检测出。为了提高医学对抗样本的有效性和隐蔽性，本文提出了一种利用**图像语义特征信息（semantic feature information of images）**生成对抗样本的新方法。由于图像的底层信息存在于低频和纹理（texture），边缘细节和噪声存在于高频，该方法将对抗样本限制在低频，并将噪声限制在高频，从而使生成的对抗样本更不可检测。通过这样做，生成的对抗性样本]]></description><category></category></item><item><title><![CDATA[论文《Mixture of Weak & Strong Experts on Graphs》笔记]]></title><link>https://blog.youkuaiyun.com/bunny___/article/details/142352770</link><guid>https://blog.youkuaiyun.com/bunny___/article/details/142352770</guid><author>bunny___</author><pubDate>Thu, 19 Sep 2024 10:12:36 +0800</pubDate><description><![CDATA[【Mowst 2024 ICLR】论文提出了一种新的图神经网络架构，称为Mixture of weak and strong experts（Mowst），通过将轻量级的多层感知机（MLP）作为弱专家和现成的GNN作为强专家相结合，以处理图中的节点特征和邻域结构。引入了基于弱专家预测结果离散度的“置信度”机制，以适应不同目标节点的专家协作。论文分析了置信函数对损失的影响，并揭示了训练动态，表明训练算法通过软分割图来鼓励专家的专门化。Mowst易于优化，表达能力强，计算成本与单一GNN相当，在多个节点分类基准]]></description><category></category></item><item><title><![CDATA[论文《Graph Neural Networks with convolutional ARMA filters》笔记]]></title><link>https://blog.youkuaiyun.com/bunny___/article/details/142060939</link><guid>https://blog.youkuaiyun.com/bunny___/article/details/142060939</guid><author>bunny___</author><pubDate>Mon, 09 Sep 2024 15:50:23 +0800</pubDate><description><![CDATA[【ARMA 2021 PAMI】本文介绍了一种新型的基于**自回归移动平均（Auto-Regression Moving Average，ARMA）**滤波器的图卷积层。与多项式滤波器相比，ARMA滤波器提供了更灵活的频率响应，对噪声更鲁棒，能更好地捕获全局图结构。]]></description><category></category></item><item><title><![CDATA[论文《Clarify Confused Nodes via Separated Learning》笔记]]></title><link>https://blog.youkuaiyun.com/bunny___/article/details/141949784</link><guid>https://blog.youkuaiyun.com/bunny___/article/details/141949784</guid><author>bunny___</author><pubDate>Fri, 06 Sep 2024 08:47:39 +0800</pubDate><description><![CDATA[【NCGCN 2023 ArXiv】针对GNNs的异配性问题，本文提出了一个新的度量标准——邻域混淆（Neighborhood Confusion，NC），用于更可靠地区分同配性节点和异配性节点。基于NC度量，本文提出了一种名为邻域混淆引导的图卷积网络NCGCN的框架，该框架通过NC值对节点进行分组，并在组内进行权重共享和消息传递。]]></description><category></category></item><item><title><![CDATA[GNN会议&期刊汇总（人工智能、机器学习、深度学习、数据挖掘）]]></title><link>https://blog.youkuaiyun.com/bunny___/article/details/141871873</link><guid>https://blog.youkuaiyun.com/bunny___/article/details/141871873</guid><author>bunny___</author><pubDate>Tue, 03 Sep 2024 21:06:55 +0800</pubDate><description><![CDATA[顶会顶刊：【NeurIPS】【ICLR】【AAAI】【WWW】【ICML】【LoG】【CIKM】【WSDM】【KDD】【IJCAI】【TKDE】]]></description><category></category></item><item><title><![CDATA[论文《Improving your graph neural networks：A High-Frequency Booster》笔记]]></title><link>https://blog.youkuaiyun.com/bunny___/article/details/141871826</link><guid>https://blog.youkuaiyun.com/bunny___/article/details/141871826</guid><author>bunny___</author><pubDate>Tue, 03 Sep 2024 21:04:04 +0800</pubDate><description><![CDATA[【CLAR 2022 ICDMW】作者指出，现有的GNN模型主要关注于消息传递机制，但这些模型往往受限于低通滤波器的局限，导致在多层堆叠时性能下降。为了解决这个问题，论文提出了一种新的正则化方法，称为补全拉普拉斯正则化（Complement Laplacian Regularization，CLAR）。这种方法通过将原始图的补图（complement graph）引入到GNN中，以增强高频分量。作者认为补图包含了一个高通滤波器，并利用这一特性来提升GNN的表现力。]]></description><category></category></item><item><title><![CDATA[找论文的方法：如何找到本领域研究方向所需要的论文进行泛读和精读？]]></title><link>https://blog.youkuaiyun.com/bunny___/article/details/141727321</link><guid>https://blog.youkuaiyun.com/bunny___/article/details/141727321</guid><author>bunny___</author><pubDate>Fri, 30 Aug 2024 21:09:01 +0800</pubDate><description><![CDATA[1、参考其他研究者给出的该领域的reading lists；2、优先选择该领域的综述（Survey）进行精读；3、泛读该领域的论文并且进行分类：时间、会议、采用的方法；4、进一步筛选出与自己的研究方向高度相关的论文，最好是顶会，开始精读；5、如果想要针对某一篇论文进行进一步研究，查找该论文的相关论文：https://www.connectedpapers.com/。]]></description><category></category></item><item><title><![CDATA[论文《Node-wise Filtering in Graph Neural Networks：A Mixture of Experts Approach》笔记]]></title><link>https://blog.youkuaiyun.com/bunny___/article/details/141727216</link><guid>https://blog.youkuaiyun.com/bunny___/article/details/141727216</guid><author>bunny___</author><pubDate>Fri, 30 Aug 2024 21:02:50 +0800</pubDate><description><![CDATA[【NODE-MOE 2024 ArXiv】不同节点表现出不同的同配性或异配性，采用现有的针对一个模式优化的全局滤波器可能会对具有其他模式的节点造成重大损失，而节点级滤波（node-wise）可以在温和条件下实现所有节点的线性可分性。本文提出NODE-MOE（Node-wise Filtering via Mixture of Experts）异配图神经网络算法，它利用专家混合（Mixture of Experts）的方法来适应性地为不同节点选择适当的滤波器。]]></description><category></category></item><item><title><![CDATA[找源码的方法]]></title><link>https://blog.youkuaiyun.com/bunny___/article/details/141675905</link><guid>https://blog.youkuaiyun.com/bunny___/article/details/141675905</guid><author>bunny___</author><pubDate>Thu, 29 Aug 2024 13:01:10 +0800</pubDate><description><![CDATA[1、论文里是否提到开源代码链接。
2、GitHub搜论文标题。
3、在这个网站里搜论文标题：https://paperswithcode.com/。
4、Google搜作者和作者学校，看是否能找到作者的GitHub主页。]]></description><category></category></item><item><title><![CDATA[论文《Adversarial Examples on Graph Data: Deep Insights into Attack and Defense》笔记]]></title><link>https://blog.youkuaiyun.com/bunny___/article/details/141675847</link><guid>https://blog.youkuaiyun.com/bunny___/article/details/141675847</guid><author>bunny___</author><pubDate>Thu, 29 Aug 2024 12:57:24 +0800</pubDate><description><![CDATA[【IG-Attack 2019 IJCAI】本文提出了一种基于**integrated gradients**的对抗攻击和防御算法。对于攻击，本文证明了通过引入integrated gradients可以很容易解决离散问题，integrated gradients可以准确反映扰动某些特征或边的影响，同时仍然受益于并行计算。对于防御，本文观察到目标攻击的被攻击图在统计上不同于正常图。在此基础上，本文提出了一种防御方法，即检查并恢复潜在的对抗性扰动。]]></description><category></category></item><item><title><![CDATA[《陈天奇：机器学习科研的十年》阅读笔记]]></title><link>https://blog.youkuaiyun.com/bunny___/article/details/141611726</link><guid>https://blog.youkuaiyun.com/bunny___/article/details/141611726</guid><author>bunny___</author><pubDate>Tue, 27 Aug 2024 20:28:50 +0800</pubDate><description><![CDATA[陈天奇是机器学习领域著名的青年华人学者之一，本科毕业于上海交通大学ACM班，博士毕业于华盛顿大学计算机系，研究方向为大规模机器学习。2019年，陈天奇在Twitter上宣布自己将于2020年秋季加入CMU任助理教授，成为加入CMU的年轻华人学者之一。

在本文中，陈天奇回顾了自己做机器学习科研的十年。

然后，我也写了一些自己的科研心得。]]></description><category></category></item><item><title><![CDATA[论文《Graph Structural Attack by Perturbing Spectral Distance》笔记]]></title><link>https://blog.youkuaiyun.com/bunny___/article/details/141611614</link><guid>https://blog.youkuaiyun.com/bunny___/article/details/141611614</guid><author>bunny___</author><pubDate>Tue, 27 Aug 2024 20:25:01 +0800</pubDate><description><![CDATA[【SPAC 2022 KDD】大多数现有攻击方法在空间域中操作图，而对傅里叶域中图卷积的脆弱性研究较少。作者提出了一种名为SPectral AttaCk（SPAC）的攻击方法，通过最大化谱距离来实施攻击，并提出了一种有效的近似方法来降低特征分解的时间复杂度。]]></description><category></category></item><item><title><![CDATA[查看会议所属CCF级别（A/B/C类会议）]]></title><link>https://blog.youkuaiyun.com/bunny___/article/details/141355065</link><guid>https://blog.youkuaiyun.com/bunny___/article/details/141355065</guid><author>bunny___</author><pubDate>Tue, 20 Aug 2024 12:14:14 +0800</pubDate><description><![CDATA[查看会议所属CCF级别（A/B/C类会议）]]></description><category></category></item><item><title><![CDATA[论文《Surrogate Representation Learning with Isometric Mapping for Gray-box Graph Adversarial Attacks》笔]]></title><link>https://blog.youkuaiyun.com/bunny___/article/details/140654002</link><guid>https://blog.youkuaiyun.com/bunny___/article/details/140654002</guid><author>bunny___</author><pubDate>Wed, 24 Jul 2024 09:40:29 +0800</pubDate><description><![CDATA[【SRLIM 2022 WSDM】本文认为代理模型的训练和所提供的梯度信息的可靠性还缺乏讨论。在图数据中，节点的拓扑结构是攻击者可以利用的重要信息，保留这种拓扑信息可以提供攻击的可转移性。然而代理模型在训练时丢失的这种信息，所以梯度信息变得不可靠。本文针对该问题提出了一种使用等距映射的代理模型表示学习方法SRLIM，通过在代理模型的训练过程中保留节点的拓扑结构，生成更可靠的梯度信息，这些信息可以指导生成具有高可转移性的对抗性扰动。]]></description><category></category></item><item><title><![CDATA[论文《Revisiting Heterophily For Graph Neural Networks》笔记]]></title><link>https://blog.youkuaiyun.com/bunny___/article/details/140503174</link><guid>https://blog.youkuaiyun.com/bunny___/article/details/140503174</guid><author>bunny___</author><pubDate>Wed, 17 Jul 2024 19:13:57 +0800</pubDate><description><![CDATA[【ACM】作者从聚合后节点相似性的角度重新审视异配性，并定义了新的同质性度量方法。基于聚合相似度度量这一指标，作者提出了一种新的框架，称为自适应信道混合（Adaptive Channel Mixing，ACM），它通过自适应地利用聚合、多样化和身份信道来提取更丰富的局部信息，以对应不同的节点异配性情况。]]></description><category></category></item><item><title><![CDATA[如何使用变分自动编码器从潜在空间进行采样（How to Sample From Latent Space With Variational Autoencoder）]]></title><link>https://blog.youkuaiyun.com/bunny___/article/details/140370711</link><guid>https://blog.youkuaiyun.com/bunny___/article/details/140370711</guid><author>bunny___</author><pubDate>Fri, 12 Jul 2024 09:51:24 +0800</pubDate><description><![CDATA[VAE的编码器神经网络输出的参数定义了潜在空间的每个维度的概率分布（多元分布）。对于每个输入，编码器为潜在空间的每个维度产生平均值和方差。

输出均值和方差用于定义多元高斯分布。解码器神经网络与AE模型相同。]]></description><category></category></item><item><title><![CDATA[自动编码器（Autoencoders）]]></title><link>https://blog.youkuaiyun.com/bunny___/article/details/140345584</link><guid>https://blog.youkuaiyun.com/bunny___/article/details/140345584</guid><author>bunny___</author><pubDate>Thu, 11 Jul 2024 10:47:26 +0800</pubDate><description><![CDATA[神经网络以各种形状和大小存在，并且通常以其输入和输出数据类型为特征。例如，图像分类器是用卷积神经网络构建的。它们将图像作为输入，并输出类的概率分布。

自动编码器是一类输入与输出相同的神经网络。它们的工作原理是将输入压缩到潜在空间表示中，然后从该表示中重建输出。]]></description><category></category></item><item><title><![CDATA[潜在空间可视化（Latent space visualization）]]></title><link>https://blog.youkuaiyun.com/bunny___/article/details/140303182</link><guid>https://blog.youkuaiyun.com/bunny___/article/details/140303182</guid><author>bunny___</author><pubDate>Tue, 09 Jul 2024 18:08:24 +0800</pubDate><description><![CDATA[在处理数据集时，我们要做的第一件事是一种有意义的方式将数据可视化。在我们的例子中，图像（或像素）空间有784维（28×28×1），我们显然无法绘制它。我们面临的挑战是将所有这些维度压缩成我们可以掌握的2D或3D形式。

这就是t-SNE，一种将高维空间映射到2D或3D空间的算法，同时试图保持点之间距离不变。我们将使用这种技术来绘制我们数据集的嵌入，首先直接从图像空间，然后从较小的潜在空间。]]></description><category></category></item></channel></rss>