yue的博客

图像异常检测是一个重要的任务，尤其是在实时计算机视觉应用中。在这项工作中，我们聚焦于计算效率，并提出一个轻量化的特征提取器，它可以在现代GPU上在不到一毫秒的时间内处理图像。然后，我们使用学生-教师的方法来检测异常特征。我们训练一个学生网络来预测正常（即无异常）训练图像的提取特征。通过学生网络未能预测其特征，从而在测试时检测到异常。我们提出了一种训练损失，它阻碍学生在正常图像之外模仿教师的特征提取器。它使我们能够大幅降低学生-教师模型的计算成本，同时改进异常特征的检测。

ABSTRACT推荐系统在解决信息爆炸问题和提高各种在线应用的用户体验方面显示出巨大潜力。为了解决推荐系统中的数据稀少和冷启动问题，研究人员通过利用有价值的外部知识作为辅助信息，提出了基于知识图（KGs）的推荐。然而，这些工作大多忽略了多模式知识图（MMKGs）中的各种数据类型（如文本和图像）。在本文中，我们提出了多模态知识图注意网络（MKGAT），通过利用多模态知识更好地增强推荐系统。具体来说，我们提出了一种多模态图关注技术，在MMKGs上进行信息传播，然后使用所得到的聚合嵌入表示进行推荐。据我们

大家好！今天给大家分享一篇论文，题目是《Multi-modal Knowledge Graphs for Recommender Systems》，主要针对多模态知识图谱在推荐系统中的应用进行研究。它号称是第一个把多模态知识图谱引入推荐系统的论文。这篇论文发表在CIKM 2020。（数据库领域著名国际会议 信息检索领域顶会）。首先讲一下背景，为什么要将多模态的知识图谱引入到推荐系统中。什么是推荐系统：推荐系统我们都很熟悉，没有明确需求的用户访问了服务，且服务的物品对用户构成了信息过载，系统通过一定的规则