kindred_joe的博客

摘要该文提出了一种可以用于few-shot learning的原形网络（prototypical networks）。该网络能识别出在训练过程中从未见过的新的类别，并且对于每个类别只需要很少的样例数据。原形网络将每个类别中的样例数据映射到一个空间当中，并且提取他们的“均值”来表示为该类的原形（prototype）。使用欧几里得距离作为距离度量，训练使得本类别数据到本类原形表示的距离为最近，到其他...

论文阅读 Towards Automated Semi-Supervised Learning摘要让机器自己学习如何搞定一个数据集或任务一直是 AutoML 领域所关注的，它可能不再需要手动数据预处理、不需要人工搭建模型架构或花式调参。但是这些任务基本上都是基于图像识别等监督学习，而实际场景中更多的是未标注数据。因此南京大学 lamda 研究组和第四范式的研究者表示自动化也可以蔓延到半监督学习...

论文阅读 AutoML: A Survey of the State-of-the-Art摘要略简介从两个角度介绍NAS。首先是模型的结构，常见的结构包括整体结构、基于单元的结构、层次结构和基于态射的结构等。其次是模型的超参数优化（HPO）。常用的方法有强化学习、进化算法（ea）和梯度下降（gd）、贝叶斯优化等。除了NAS，automl还涉及到其他已经研究了很长时间的技术，我们根据机器学习...

摘要链路预测在网络科学和机器学习中具有重要的意义。早期的方法只考虑简单的拓扑特征，而后续的有监督方法通常依赖于人类标记的数据和特征工程。在这项工作中，我们提出了一种新的基于表示学习的方法，称为SEMAC，它利用了细粒度的节点特性和整个图形拓扑。与以往基于表示的研究中所采用的SGNS或SVD方法相比，我们的模型通过一种凸矩阵完成形式获得的子图嵌入来表示节点，从而迭代降低秩，从而更有效地消除表示中的...

论文阅读 Link Prediction Based on Graph Neural Networks摘要链路预测是图的关键问题。边预测启发式算法使用一些评分函数，如公共邻域和katz指数，来测量边的可能性。由于它们的简单性、可解释性和可伸缩性，它们获得了广泛的实际应用。然而，每种启发式算法都有一个很强的假设，即当两个节点可能有边，这就限制了它们在这些假设失败的图上的有效性。在这方面，一个更合...

论文阅读 Estimating Node Importance in Knowledge Graphs Using Graph Neural Networks摘要如何评估知识图（KG）中节点的重要性？KG是一个多关系图，已被证明在许多任务上都有价值，包括问答和语义搜索。本文提出了一种解决KGs中节点重要性评估问题的GENI方法，该方法可以用于项目推荐和资源分配等下游应用。虽然已经有了一些方法来...