- 博客(26)
- 收藏
- 关注
RSS订阅原创 论文笔记：核k-means与谱聚类
论文题目：Kernel k-means, Spectral Clustering and Normalized CutsSummary论文总结了传统的核k-means方法和谱聚类的方法，这两种方法看似是不相关的，但其实通过一定的公式推导和理论的证明，可以得到核k-means的方法也可以表达成为谱聚类那样的最大化迹的形式。Problem Statement线性的k-means只能解决线性空间上的聚类问题，谱聚类由于在谱空间上进行聚类因此可以聚类非线性的数据形式，可以将k-means通过非线性核转
2021-07-30 10:03:46
2619
原创 【论文阅读笔记】：CGD: Multi-View Clustering via Cross-View Graph Diffusion
【论文阅读笔记】：CGD: Multi-View Clustering via Cross-View Graph Diffusion
2021-07-01 21:11:24
1158
1
原创 基于K-means和谱聚类统一的高效聚类方法
Title: Efficient Clustering Based On A Unified View Of K-means And Ratio-cutSummary论文提出可以将k-means和谱聚类的方法用统一的公式形式表示出来，两者各有侧重点，k-means的方法主要侧重于使得属于同一簇里面的样本点的距离越近越好，谱聚类的方法则是旨在使得属于同一簇的样本点的相似度越高越好。而替换掉这个公式的其中一部分就形成了两者统一的聚类方法，该统一的方法旨在最小化同一个簇样本点的距离之和，在使用加速算法的情况
2021-05-21 10:07:46
1029
原创 不完整多视图数据的变分信息瓶颈处理方法
Title：A Variational Information Bottleneck Approach to Multi-Omics Data IntegrationSummary论文提出使用变分信息瓶颈的方法对于不完整的多视图数据进行融合表征学习，设计了“单个视图编码器”、“多视图融合器”、“单视图预测器”和“多视图预测器”来构建整个模型。其中最关键的多视图融合器利用单视图的概率分布乘积来定于融合分布。Problem Statement现有的大多数多视图方法都是基于完整的视图来做的，即多视图
2021-05-13 09:24:04
988
原创 对比预测编码用于表征学习
论文题目：Representation Learning with Contrastive Predictive CodingSummary论文通过设计一个编码器和一个自回归模型，使的模型能够提取上下文信息，对当前特征进行编码，同时能利用当前表征及以前的表征来预测未来的表征。Problem Statement监督模型由于有庞大的训练集进行支撑，因此可以有较好的效果，但无监督学习认存在较大的挑战，如何学习得到通用的表征模型，是当前需要解决的问题。Method模型：编码器+自回归模型利
2021-05-05 18:08:24
402
原创 深度多视图信息瓶颈：Deep Multi-view Information Bottleneck
论文题目：Deep Multi-view Information BottleneckSummary单个视图的信息瓶颈模型已经发展较为成熟，但尚未有在多视图上的信息瓶颈理论，本论文将信息瓶颈理论用于处理多视图数据，在学习得到单个视图的表征后，融合生成最终表征。Problem Statement现有的多视图融合的过程都是线性的，但多个视图之间的联系往往是非线性的而且是复杂的，所以需要更好的融合的过程。Method...
2021-05-05 15:14:24
1579
原创 互信息神经估计
论文题目：Mutual Information Neural EstimationSummary通过在神经网络上的梯度下降，可以估计高维连续随机变量之间的相互信息。论文通过构造互信息计算的一个下界，利用该下界来得到互信息的估计量，并证明了该下界的紧致性。Problem Statement现有的很多深度学习问题中都涉及到互信息，但是互信息的估计却难以计算，传统的方法都死通用性不强，因此需要有泛化能力强的方法来计算互信息。Method互信息计算等价于联合分布和两个边缘分布的乘积之间的KL散
2021-04-22 11:15:14
2003
原创 多视图信息瓶颈表征学习
标题：Multi-View Information-Bottleneck Representation LearningSummary论文通过信息瓶颈原则，以及综合使用多视图各个视图之间的公共表征和单个视图的特定表征，来学习得到一个标签信息丰富和鲁棒性强的表征。传统的多视图处理往往是只关注于多个视图之间的公共信息，而忽略了单个视图也有利于后续任务的特定信息，因此本文综合考虑两者，并加入信息瓶颈原则，使得学习得到的表征去除冗余信息。Problem Statement论文旨在解决多视图表征学习的挑
2021-04-22 10:21:31
2630
70
原创 通过多视图信息瓶颈学习鲁棒表征
论文题目：Learning Robust Representations via Multi-View Information BottleneckSummary论文通过将两个视图学习得到的公共信息作为有用表征，将两个视图不共享的部分信息看作是冗余信息，最终两个视图之间相互学习得到标签信息丰富和鲁棒性强的表征。Problem Statement论文旨在通过优化信息瓶颈理论，构建损失函数使得表征能够含有更多的标签信息和鲁棒性。Method通过理论证明，得到两个损失函数，一个用于学习表征，
2021-04-15 21:05:26
2122
5
原创 Graph Contrastive Clustering：图对比聚类
论文题目：Graph Contrastive ClusteringSummaryList item
2021-04-15 20:21:36
2858
6
原创 解决图神经网络库pytorch-geometric“版本不匹配”安装失败的问题
安装教程：pytorch-geometric1. 查看PyTorch版本（至少要1.4.0版本以上）：$ python -c "import torch; print(torch.__version__)">>> 1.8.02. 查看CUDA版本$ python -c "import torch; print(torch.version.cuda)">>> 11.1但是我利用上面这个代码查出来的CUDA版本却安装不了pytorch-geometric，
2021-04-15 17:52:38
2670
原创 InfoGraph: 最大化互信息用于无监督学习和半监督学习
Summary本文通过最大化图级别表征和补丁表征之间的互信息来学习得到性能好的图表征，同时在该无监督图表征学习的基础上，结合一个监督学习网络，通过最大化监督学习和无监督学习网络之间的互信息，形成一个师生网络，得到更加强大的半监督学习模型。主要贡献如下：构建无监督学习模型InfoGraph，来学习图级别的表征，用于图级别的分类任务；构建半监督学习模型InfoGraph*，将两个分支网络结合，师生互助提升网络性能；无监督模型学习得到性能好的表征，半监督学习模型能够有较好的分类结果。Probl
2021-04-08 10:15:26
2302
原创 Linux计算机三级复习：第一章 简介
Linux达人养成计划：课程网站Linux版本内核版本：Linux的核心版本。发行版本：加入自己对于Linux的理解。开源：开放源代码，Linux本身及其大部分软件都是开源的。使用的自由：开源软件是开源免费的；研究的自由：可以修改软件源代码；散布及传播的自由：可以自由修改、传播和销售；使用开源软件代码后也要同样进行开源。Linux的应用：基于Linux企业服务器嵌入式应用查看企业服务器操作系统Linux学习方法：先要尝试自己解决提问的智慧，问题详尽L.
2021-02-01 22:26:27
820
原创 相似度融合网络：用于聚合不同的基因数据类型：Similarity network fusion for aggregating data types on a genomic scale
论文标题：Similarity network fusion for aggregating data types on a genomic scale.论文下载地址论文总结论文以计算机视觉多视图方式为启发，设计了一种图融合网络用于解决基因数据不能综合处理的困难。现有的基因数据非常丰富，有各种类型的基因数据可以利用。但现有的基因数据处理方式大多数是只利用一种基因数据，例如只使用DNA或者是只使用mRNA，不能综合所有的基因数据，得到一个既有共享信息又有互补信息的处理结果。本文考虑将患同一种癌症的
2020-12-19 12:00:13
8081
20
原创 自监督方法与图神经网络相结合：：When Does Self-Supervision Help Graph Convolutional Networks?
论文笔记：When Does Self-Supervision Help Graph Convolutional Networks?Summary本文总结了三种常用的图像上的自监督方法，并提出可以将自监督方法应用到图的领域，因此提出了适合在图上进行自监督的三种方法。论文没有进行理论证明，只是提出模型并进行相关实验，用实验数据来说明图自监督的作用。本文的突出优点是有条不紊的模型讲述以及细致的实验结果分析。实验很重要，实验结果的分析，找出实验结果中的规律也很很重要。Problem Statement
2020-11-23 17:39:32
1321
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人