前置知识：图论基础

代码实践：图特征工程_Python实现

节点中心性度量

度中心性 (Degrree Centrality)：

• 用节点的度来描述节点的重要性，即邻接节点数越多的节点越重要
• 在不同网络间比较时，需要除以网络总节点数进行标准化

特征向量中心性 ( Eigenvector Centrality)： $$c_v=\frac{1}{\lambda }\sum _{u\in N(v)}{c}_u$$

• 节点的重要性取决于邻接节点的重要性之和
• 其本质对应一个图邻接矩阵的特征向量求解问题

介数中心性

Read more

PyG (PyTorch Geometric)，基于 PyTorch 编写和训练图神经网络 (GNN)

• 集成了各种针对图或其他不规则结构的深度学习方法
• 包括易用小批量加载器，可在许多小型和单个巨型图上运行
• 多 GP​​U 支持，torch.compile 支持，DataPipe 支持
• 内置大量基准数据集、支持神经网络的

Read more

NetworkX 是一个 Python 包，常用于创建、操作和挖掘图/复杂网络

• 支持以标准和非标准数据格式加载和存储网络
• 生成多种类型的随机和经典网络；网络可视化
• 分析网络结构、构建网络模型、设计新的网络算法

官方文档

本教程默认使用 NetworkX=3.2.1

1 图的基本操作

1.1 图的创建与类型

G = nx.Gr

Read more

"切图仔"（2006）

• 在 css3 之前，前端开发者能做的事情很有限，前端语言的能力非常薄弱
• 一个简单的圆角矩形样式要拼八张图片，更别提动画阴影之类的特效
• 大量的工作时间都是在拆卸设计稿，然后将做完后的静态页面交给后端

jQuery 问世（2006）

• jQuery 是对原生 js 的封装，简化了繁琐的 js 开发
• 开发人员可以更容易地操作 html 、处理事件、创建动画和发起 AJAX 请求
• 前端开发者已经可以承担一部分交互了，比如异步表单之类的
• 最终实现较为稳定的开发方式：DIV+CSS+jQuery+后端渲染

随着 web 项目开发越来越复杂，原生 cc

Read more

中文标题：模型融合配方的迭代优化

英文标题：Evolutionary Optimization of Model Merging Recipes

发布平台：预印本

发布日期：2024-03-19

引用量（非实时）：

DO

Read more

基本概念

模型融合（model merging）：

• 将多个神经网络模型进行合并，得到一个融合模型
• 优势在于节省计算/时间成本、无需训练数据（隐私保护）
• 有时能取得类似多任务学习的效果，也可能具备更好的泛化性

思考：如何验证模型融合的合理性？ （此处

Read more

中文标题：struc2vec: 从结构性标识中学习节点的表示

英文标题：struc2vec: Learning Node Represen

Read more

中文标题：LINE：针对大规模信息网络的嵌入表示

英文标题：LINE: Large-scale Information Network Embedding

发布平台：

Read more

“压缩现代性”，这个词很生动、贴切。中（含台湾）、日、韩三个国家的普通民众的生活都有明显的“压缩”特征：
1、住房是压缩的。美国人住别墅，中日韩绝大多数人住公寓。东亚城市人口密度远高于美国，也高于欧洲。这节约了土地，也导致普通人的个人空间严重不足；
2、学习是压缩的。“做题家”，这一个词描述了以高考为人才选拔的高压模式。进大学前，想考个好大学、好专业，那就只有拼命做题；
3、工作是压缩的。“加班、超时劳动”被普遍接受，只要老板给高一点的加班费，打工者对加班一般持欢迎与接受的态度。但这也极大地减少了可用于关心家庭、个人再学习、社交等一系列的工作之外的时间；
4、生育也是压缩的。一对夫妻，生一

Read more

图表示学习方法一般包括图嵌入表示和图神经网络

• 图嵌入表示（Node Embedding）为每个节点学习一个嵌入表示（低维稠密向量），使得在原始网络中相似的节点，它们的嵌入表示也更为相似
• 图神经网络（Graph Neural Networks）通过聚合邻域节点的信息来生成节点的表示

图嵌入表示

基于随机游走的图嵌入经典方法：

• 等长度、无偏的随机游走：DeepWalk (2014 KDD Perozzi et al.)
• 有偏的、局部与全局视

Read more