亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

現有的協同過濾(CF)方法大多是基于匹配的思想設計的，即通過使用淺層或深層模型從數據中學習用戶和項目嵌入，試圖捕獲數據中的關聯關聯模式，這樣用戶嵌入就可以通過設計或學習的相似函數與相關的物品嵌入相匹配。然而，推薦作為一種認知而非感知智能任務，不僅需要從數據中進行模式識別和匹配的能力，還需要對數據進行認知推理的能力。在本文中，我們將協同過濾(CF)提升為協同推理(CR)，即每個用戶知道推理空間的一部分，并在空間中協作進行推理，以估計彼此的偏好。在技術上，我們提出了一個神經協作推理(NCR)框架來連接學習和推理。具體來說，我們整合了表示學習和邏輯推理的能力，其中表示從感知的角度捕捉數據中的相似模式，而邏輯促進了知情決策的認知推理。然而，一個重要的挑戰是在一個共享的體系結構中架起可微分神經網絡和符號推理的橋梁，以進行優化和推理。為解決這一問題，我們提出了一種模塊化的推理體系結構，將AND(∧)、OR(∨)、NOT(?)等邏輯運算學習為蘊涵推理(→)的神經模塊。這樣，邏輯表達式就可以等效地組織成神經網絡，從而在連續空間中進行邏輯推理和預測。與淺層、深層和推理模型相比，在真實數據集上的實驗驗證了我們的框架的優勢。

//www.zhuanzhi.ai/paper/3ef41bd3070325cba6601e2e056e2583

在信息爆炸的時代，推薦系統已經成為一種高效發現用戶偏好的手段。多種多種的推薦范式也不斷涌現。作為一種新穎的推薦范式，促銷推薦可以很好的刺激用戶購買欲望進而最大化收益。不同于傳統的推薦(如商品推薦和組推薦)， 促銷推薦(如圖1所示)旨在在選擇階段考慮所有用戶的偏好來選擇一組K個商品并最大化投放階段的收益。盡管上述兩個階段高度關聯，現有的算法通常只關注于商品選擇階段，極大的忽略了投放階段進而導致次優的結果。為了更好的解決促銷推薦問題，我們提出了一種Comb-K推薦模型，一種帶約束的組合優化問題。通過精心設計的一些約束，Comb-K可以無縫的整合選品與投放兩個階段，進而達到最優的投放效果。特別的，即使我們在選品階段選擇了K個商品構成了K-set，用戶來投放階段也只能看到K-set中的W個。而只有被用戶看到的商品才可能真正的產生投放收益。盡管上述2個階段高度相關，但是現有的算法并沒有很好的考慮它，進而導致了次優的結果。

為了解決促銷推薦問題，我們提出了Comb-K推薦模型，一個帶約束的組合優化問題來實現更佳的選品效果。受益于精心設計的約束(尤其是投放窗口W的約束)，Comb-K推薦能夠綜合考慮選擇階段和投放階段的情況。當選擇K個商品時， Comb-K能夠考慮所有用戶的偏好來搜索最優的K個商品的組合。首先，我們設計異質圖卷積來學習用戶偏好并求解用戶級別的Comb-K問題。進一步的，為了解決大規模組合爆炸的問題， 我們將海量用戶聚集為少量人群，并在人群級別求解Comb-K問題。這里，我們提出了一個異質圖池化模型來進行人群聚類和人群偏好估計。除此之外，我們還設計了一個快速求解策略RNHS來加速Comb-K的求解過程。最后，在大規模數據上驗證了我們模型的有效性。

城市流量預測從許多方面使得智慧城市的建設受益，例如交通管理和風險評估。但是關鍵先決條件是對城市的細粒度動態有足夠的掌握。因此，與之前的工作僅限于粗粒度數據不同，這篇論文中將城市流量預測的范圍擴展到細粒度，這帶來了一些具體挑戰：1）在細粒度數據中觀察到的網格間的轉移動態使預測變得更加復雜，需要在全局范圍內捕獲網格單元之間的空間依賴性；2）單獨學習外部因素（例如天氣）對大量網格單元的影響是非常具有挑戰性的。為了解決這兩個挑戰，本文中提出了時空關系網（STRN）來預測細粒度的城市流量。首先，骨干網用于學習每個網格單元的高級表示，第二，文中還提出了一個全局關系模塊（GloNet），與現有方法相比，該模塊可以更有效地捕獲全局空間依賴性。第三，模型中設計了一個元學習器，它將外部因素和土地功能（例如POI密度）作為輸入以產生元知識并提高模型性能。論文提出的模型在兩個現實世界的數據集進行了充足的實驗。結果表明，與最新方法相比，STRN減少了7.1％到11.5％的誤差，而使用了更少的參數。

雙曲空間提供了豐富的設置來學習具有優越屬性的嵌入，這些屬性在計算機視覺、自然語言處理和計算生物學等領域得到了利用。最近，有人提出了幾種雙曲線方法來學習推薦設置中的用戶和項目的魯棒表示。但是，這些方法不能捕獲推薦領域中通常存在的高階關系。另一方面，圖卷積神經網絡(GCNs)則擅長通過對局部表示應用多層聚合來捕獲更高階的信息。在本文中，我們提出了一個用于協同過濾的雙曲線GCN模型，以一種新穎的方式將這些框架結合起來。我們證明了我們的模型可以在邊緣損失的情況下有效學習，并證明了雙曲空間在邊緣設置下具有理想的性質。在測試時，我們的模型使用雙曲距離來進行推理，雙曲距離保留了學習空間的結構。我們對三個公共基準進行了廣泛的實證分析，并與一組大型基線進行比較。我們的方法實現了非常具有競爭力的結果，并超過領先的基線，包括歐幾里德GCN對等物。我們進一步研究了雙曲線嵌入的性質，并表明它們對數據提供了有意義的見解。該工作的完整代碼可以在這里://github.com/layer6ai-labs/HGCF。

//www.zhuanzhi.ai/paper/d5394f35aef16fb3a4dca59d68fb1882

一個有效的神經網絡結構性能評估方案是神經網絡結構搜索(NAS)成功的關鍵。現有NAS算法通常在訓練時間有限的小型數據集上訓練和評估神經結構。但這樣一種粗糙的評估方式很難對神經網絡結構進行準確評估。本文提出一種新的神經網絡結構評價方案，旨在確定哪個神經網絡結構的性能更好，而不是精確地預測性能絕對值。因此，我們提出了一個結構相對性能預測NAS (ReNAS)。我們將神經結構編碼為特征張量，并利用預測器進一步細化表示。本方法可用于離散搜索，無需額外評估。在NASBench101數據集上抽樣424個(搜索空間的0.1%)神經架構及其標簽已經足夠學習一個準確的架構性能預測器。在NAS-Bench-101和NAS-Bench-201數據集上，我們搜索的神經結構的準確性高于最新的方法，顯示了本方法的優先性。

圖神經網絡最近的成功極大地促進了分子性質的預測，促進了藥物發現等活動。現有的深度神經網絡方法通常對每個屬性都需要大量的訓練數據集，在實驗數據量有限的情況下(特別是新的分子屬性)會影響其性能，這在實際情況中是常見的。為此，我們提出了Meta-MGNN，一種新穎的預測少樣本分子性質的模型。Meta-MGNN應用分子圖神經網絡學習分子表示，建立元學習框架優化模型。為了挖掘未標記的分子信息，解決不同分子屬性的任務異質性，Meta-MGNN進一步將分子結構、基于屬性的自監督模塊和自關注任務權重整合到Meta-MGNN框架中，強化了整個學習模型。在兩個公共多屬性數據集上進行的大量實驗表明，Meta-MGNN優于各種最先進的方法。

//arxiv.org/abs/2102.07916

圖卷積網絡（GCN）因為具備出色的捕捉站點或區域之間非歐式空間依賴性的能力，已廣泛應用于交通需求預測。然而在大多數現有研究中，圖卷積是在基于先驗知識生成的鄰接矩陣上實現的，這樣的鄰接矩陣既不能準確反映站點的實際空間關系，也不能自適應地捕捉需求的多層級空間依賴性。為解決上述問題，這篇論文提出了一種新穎的圖卷積網絡進行交通需求預測。首先，文章中提出了一種新的圖卷積架構，該圖卷積架構在不同的層具有不同的鄰接矩陣，并且所有的鄰接矩陣在訓練過程中都是可以自學習的。其次，文中提出了一種分層耦合機制，該機制將上層鄰接矩陣與下層鄰接矩陣關聯起來。它還減少了模型中參數的規模。最后，構建了一個端到端的網絡，通過將隱藏的空間狀態與門控循環單元集成在一起，給出最終的預測結果，該單元可以同時捕獲多級空間相關性和時間動態。論文提出的模型在兩個真實世界的數據集NYC Citi Bike和NYC Taxi上進行了實驗，結果證明了該模型的優越性能。

//www.zhuanzhi.ai/paper/3996bc72f87617093a55530269f6fdd8

由于不同道路間交通流時空分布格局具有復雜的空間相關性和動態趨勢，交通流時空數據預測是一項具有挑戰性的任務。現有框架通常利用給定的空間鄰接圖和復雜的機制為空間和時間相關性建模。然而，具有不完全鄰接連接的給定空間圖結構的有限表示可能會限制模型的有效時空依賴學習。此外，現有的方法在解決復雜的時空數據時也束手無策:它們通常利用獨立的模塊來實現時空關聯，或者只使用獨立的組件捕獲局部或全局的異構依賴關系。為了克服這些局限性，本文提出了一種新的時空融合圖神經網絡(STFGNN)用于交通流預測。首先，提出一種數據驅動的“時序圖”生成方法，以彌補空間圖可能無法反映的幾種現有相關性。SFTGNN通過一種新的時空圖融合操作，對不同的時間段進行并行處理，可以有效地學習隱藏的時空依賴關系。同時，該融合圖模塊與一種新的門控卷積模塊集成到一個統一的層中，SFTGNN可以通過層堆疊學習更多的時空依賴關系來處理長序列。在幾個公共交通數據集上的實驗結果表明，我們的方法達到了最先進的性能比其他基準一致。

//arxiv.org/pdf/2012.09641.pdf

由于二部圖在各種應用領域中得到了廣泛的應用，因此嵌入二部圖引起了人們的廣泛關注。以往的方法大多采用基于隨機行走或基于重構的目標，對學習局部圖結構是典型的有效方法。但是，二部圖的全局性質，包括同構節點的社區結構和異構節點的遠程依賴關系，并沒有很好地保存下來。在本文中，我們提出了一種稱為BiGI的二部圖嵌入，通過引入一個新的局部-全局信息目標來捕獲這種全局性質。具體來說，BiGI首先生成一個由兩個原型表示組成的全局表示。然后BiGI通過提出的子級注意機制將采樣的邊緣編碼為局部表示。BiGI通過最大化局部表示和全局表示之間的互信息，使二部圖中的節點具有全局相關性。我們的模型在各種基準數據集上評估top-K推薦和鏈接預測任務。大量的實驗證明BiGI在最先進的基線上實現了一致和顯著的改進。詳細的分析驗證了二部圖全局性質建模的有效性。

//arxiv.org/pdf/2012.05442.pdf