首页 > TAG信息列表 > KDD
网络安全分析
目录 网络安全分析数据集 网络安全分析 本文将先为大家介绍一些常用于网络安全分析领域的数据集。 数据集 在网络安全领域有许多公开数据集可供使用，可以下载收集整理，按照业务场景的需要进行清洗处理，得到基础数据集。常用的应用于网络安全分析领域的公开数据集包KDD CUP99数据集预处理（Python实现）
目录 KDD CUP99数据集预处理 1、数据集下载 2、KDD99网络入侵检测数据集介绍 3、基于KDD99数据集的入侵检测分析 4、符号型特征数值化 5、KDD CUP99数据集预处理（Python实现） KDD CUP99数据集预处理1、数据集下载KDD CUP99数据集 2、KDD99网络入侵检测数据集介绍介绍一 介绍二 3、基KDD CUP 2021首届图神经网络大赛放榜，百度飞桨PGL获得2金1银
近日，由 KDD CUP 与 OGB（Open Graph Benchmark）联合举办的首届图神经网络大赛正式放榜，在 DeepMind、微软、蚂蚁金服、UCLA 等全球500多个顶尖企业、高校和实验室的激烈竞争中，百度凭借飞桨图学习框架 PGL 一路过关斩将，最终在全部三个赛道包揽了两冠一亚。 ▲ 本次大赛承办方斯坦福【人物志】KDD Cup 2017双料冠军燕鹏
点击上方“公众号”可以订阅哦 2017年数据挖掘领域最有影响力的赛事KDD Cup近日揭晓，Convolution队从全球70个国家的3582支队伍里脱颖而出，包揽两项任务的冠军。这支双料冠军队成员名单里，有一个我们熟悉的名字——美团点评高级技术专家燕鹏。 说燕鹏可能大家并不一定知道，多任务学习——【KDD 2018】MMoE
多任务模型通过学习不同任务的联系和差异，可提高每个任务的学习效率和质量。 多任务学习的的框架广泛采用 shared-bottom 的结构，不同任务间共用底部的隐层。这种结构本质上可以减少过拟合的风险，但是效果上可能受到任务差异和数据分布带来的影响。也有一些其他结构，比如两个任EigenPool - Graph Convolutional Networks with EigenPooling KDD 2019
文章目录 1 前言2 图池化相关工作全局池化方法分层池化方法 3 EigenPool基于硬分配的图坍缩（图粗化）基于特征向量的池化 3 实验4 总结 论文：Graph Convolutional Networks with EigenPooling 作者：Yao Ma , Suhang Wang , Charu C. Aggarwal , Jiliang Tang 密歇根州立大学，GNN 简介和入门资料
概念 G=(V,E) V={v1,v2,v3,v4,v5,v6,v7,v8,v9,v10,v11} E={(v1,v2),(v2,v3),(v2,v6),(v3,v7)...} |V|=11 |E|=11 Walk: close walk x=y otherwise open walk Trail: x - y trail is a walk with no repeated edge，没有重复走边 Path: x - y path is a walk with no repeated Verte《OR Talk NO.12 | 滴滴 KDD Cup 2020算法大赛概览：网约车平台的派单和调度》
KDD Cup 2020 去偏推荐之旅 协同过滤
2019年，全球零售电子商务销售额达3.53万亿美元，电子零售收入预计到2022年将增长至6.54万亿美元。随着流量的巨大增长必须面临的基本挑战。缓解马太效应，让中小商家有潜力的商品快速获得流量，并进行有效的跨类目推荐，对手淘的生态有着深远影响。 传统推荐模型是深度学习推荐模型的全球邀请开发者 滴滴启动KDD Cup 2020强化学习挑战赛
4月3日，由滴滴主办的KDD Cup 2020强化学习挑战赛正式开赛，邀请全球算法高手共同挑战共享出行领域优化难题。 KDD Cup（国际知识发现和数据挖掘竞赛）由美国计算机协会知识发现与数据挖掘专委会（ACM SIGKDD）发起，从1997年开始，每年举办一次，是国际公认的数据挖掘领域的最高水平的赛事。该二十四.基于机器学习的入侵检测和攻击识别——以KDD CUP99数据集为例
这是作者的系列网络安全自学教程，主要是关于网安工具和实践操作的在线笔记，特分享出来与博友共勉，希望您们喜欢，一起进步。前文分享了Web渗透的第一步工作，涉及网站信息、域名信息、端口信息、敏感信息及指纹信息收集。这篇文章换个口味，将分享机器学习在安全领域的应用，并复论文笔记：Meta-Graph Based Recommendation Fusion over Heterogeneous Information Networks （KDD 2017）
研究动机 异构信息网络是推荐系统中重要的数据表示。异构信息网络的推荐系统常常面临2个问题：如果去表示推荐系统的高级语义，如何向推荐系统中融入异构信息。在这篇文章中，我们首先将meta-graph融入到HIN-based推荐系统中，然后利用”MF+FM“的方法求解信息融合问题。对于每个meta-grap