首页 > TAG信息列表 > widetilde
论文阅读 A Data-Driven Graph Generative Model for Temporal Interaction Networks
13 A Data-Driven Graph Generative Model for Temporal Interaction Networks link:https://scholar.google.com.sg/scholar_url?url=https://par.nsf.gov/servlets/purl/10272483&hl=zh-TW&sa=X&ei=HCmOYrzrJ8nFywSFg47QCw&scisig=AAGBfm08x5PFAPPWh_nl6Colatex帽子汇总
\(\hat{A}\) \hat{A} \(\widehat{A}\) \widehat{A} \(\tilde{A}\) \tilde{A} \(\widetilde{A}\) \widetilde{A} \(\overline{A}\) \overline{A} \(\underline{A}\) \underline{A} \(\overbrace{A}\) \overbrace{A} \(\underbrace凸优化-对偶问题（Convex Optimization-Duality）
凸优化 目录凸优化DualityLagrange function（拉格朗日函数）定义Lagrange duality function（拉格朗日对偶函数）定义性质Lagrange duality function 和 Conjugate function（共轭函数）Conjugate function 定义Lagrange duality function 与 Conjugate function 的关系Lagrange 对偶问题定义GRU学习笔记
门控循环单元GRU学习笔记 比LSTM更简单的结构 只记住相关的观察需要： 更新门 -- 能关注的机制 重置门 -- 能遗忘的机制 门，是和隐藏状态同样长度的向量。 下面公式中的几个参数： \(H_{t-1}\)是隐藏状态； \(X_t\)是输入； \(\sigma\)是有激活函数sigmod的fc层，输出范围[0,1] W是需要基础拓扑学讲义 1.10 道路提升引理
记号来自《基础拓扑学》《基础拓扑学讲义》 道路提升引理 道路提升引理 定义 首先是 同态 满 道路提升引理 \(\alpha\) 的提升 单 圈数（Armstrong度数） 引理3（尤承业p118) 引理4（尤承业p118) 综上 下次看看同伦提升定理 定义 \[\begin{aligned} \text{指数映射 }无监督-DEEP GRAPH INFOMAX
无监督-DEEP GRAPH INFOMAX 标签：图神经网络、无监督 动机 在真实世界中，图的标签是较少的，而现在图神经的高性能主要依赖于有标签的真是数据集 在无监督中，随机游走牺牲了图结构信息和强调的是邻域信息，并且性能高度依赖于超参数的选择 贡献 在无监督学习上，首次结合互信息提出了一Global Context-Aware Progressive Aggregation Network for Salient Object Detection Notes
Global Context-Aware Progressive Aggregation Network for Salient Object Detection Facts due to the pyramid-like CNNs structure, high-level features help locate the salient objects roughly, low-level features help refine boundaries. traditional methods li优化理论09---线性等式约束问题的投影方法
线性等式约束问题的投影方法 1 回顾最速下降法 无约束最优化问题: ( P )模型预测控制系列(MPC)系列：2.求解MPC问题
求解MPC: 在滚动时间窗内建立并求解QP问题 该小节的目标是根据上一节得到的离散误差动力学模型,在MPCD的滚动时间窗内建立并求解QP问题. 那么,我们要回答以下两个问题:08
线性等式约束问题的投影方法 1 回顾最速下降法 无约束最优化问题: \[\begin{aligned} (P) ~ ~ ~ \min &~ ~ ~ f(x)\\ \text{s.t.} &~ ~ ~x ∈ R^n \end{aligned} \]其中\(f(x)\)是可微的。在\(x =\bar{x}\)处，\(f(x)\)可以通过线性展开逼近 \[f(\bar{x} + d) ≈ f(\bar{x})【论文笔记】Adversarial Training for Weakly Supervised Event Detection
简介 事件检测 事件检测（ED）的目的是检测事件触发器（通常是在实例中引发事件的单词或短语），然后识别它们的特定事件类型。 特征工程，如token级特征和结构化特征。 神经网络模型，将文本语义信息直接嵌入到低维空间中，基于这些特征向量检测事件触发器，采用有监督学习的方法对人类标注数据关系
设$X$和$Y$是非空集合，则直积$X \times Y$的任一子集$R \subset X \times Y$称为$X$和$Y$的一个关系若$(x,y) \in R$，则称$x$和$y$有关系$R$，记作$xRy$若$(x,y) \notin R$，则称$x$和$y$没有关系$R$，记作$x\widetilde{R}y$$R \subset X \times X$称为$X$上的一个关系 例如: 设$X=\{2,4简析Monte Carlo与TD算法的相关问题
Monte Carlo算法是否能够做到一步更新，即在线学习？ 答案显然是不能，如果可以的话，TD算法还有何存在的意义？MC算法必须要等到episode结束后才可以进行值估计的主要原因在于对Return（或是估计目标）的定义与TD算法不同。强化学习中所估计的状态动作对价值实质上就是在某一策略下，以这个状态动