课程目标 1：GNN 与传统图算法的关系
课程目标 2：理解 GNN 学习映射的过程
前置知识：WL 图同构检验、4 图同构网络 GIN
前置知识的概括总结：
思考：除了 1-WL，GNN 还可以轻松地模拟哪些其他任务？
任务 1：特征提取
参考文章：2024: The State of Generative AI in the Enterprise
核心观点：
Ollama 是一个支持在本地下载、管理运行大语言模型的工具
项目地址 105k ⭐
Ollama 基本操作：
ollama pull llama3.3 # 下拉模型
ollama 方案：将 config.json 文件中 num_hidden_layers 的值修改为较小的值（比如 1）
原理：隐藏层中 block 的输入输出维度是一致的，因此去除重复的 block 并不会影响模型的处理逻辑；但需要注意该方法会影响模型的性能，因此只适合模型调试阶段使用。
分层推理法：将模型根据层来进行拆分存储，推理时分批次将要处理的层导入显存
代码示例：
from accelerate import init_empty_weights
from accele前置知识：因果推断
因果 DAG（有向无环图）：使用图来表示因果关系
用于决策干预的链路预测任务（比如搜索或推荐）往往是存在因果关系的
因果关系在决策中的示例：
BM25（Best Matching 25），一种经典的信息检索方法
词频 TF（Term Frequency），词语 $t$ 在文档 $d$ 中出现的频率
$$ \text{TF}(t, d) = \frac{\text{词t在文档d中的
由于本小节为论文研讨课，因此本文将以论文阅读笔记的形式展开
前置知识：了解基本的共形预测 Conformal Prediction 概念与评价方法（覆盖率）
《Uncertainty Quantification over Graph with Conformalized Graph Neural Networks》
摘要：
根据世界卫生组织 2024 年的报告，不安全的用耳习惯使超过 10 亿青年面临永久性听力损失的风险。
在导致听力损伤的后天因素中，噪声或强声暴露尤为关键：约 16% 的成人听力损失与工作场所的过度噪声暴露有关；12 至 35 岁人群中，有 50% 因在娱乐环境（包括夜店、Livehouse 和演唱会等）中接触不安全音量而面临听力损失风险
高音量与听力损失之间的关系，主要由以下几个变量决定：
按城镇和农村区分：
按不同省份区分：
按收入水平区分：