海豹
⠀ ⠀⠀
半监督图分类的PyTorch实现：分层图透视（WWW 2019）
抽象的
节点分类和图分类是两个图学习问题，它们分别预测节点的类标签和图的类标签。 图的节点通常代表现实世界的实体，例如，社交网络中的用户或蛋白质-蛋白质相互作用网络中的蛋白质。 在这项工作中，我们考虑一个更具挑战性但实际上有用的设置，其中节点本身是一个图实例。 这导致了分层图的透视图，这种透视图出现在许多领域中，例如社交网络，生物网络和文档收集。 例如，在社交网络中，一群具有共同兴趣的人形成一个用户组，而许多用户组则通过交互或普通成员相互连接。 我们在层次图中研究节点分类问题，其中“节点”是图实例，例如上述示例中的用户组。 由于标签通常受限于实际数据，因此我们通过谨慎/主动迭代（或简称SEAL-C / AI）设计了两种新颖的半监督解决方案，称为半监督图分类。 SEAL-C / AI采用了一个迭代框架，该框
2022-08-05 15:53:49
1.13MB
1
像素循环神经网络
Pixel recurrent neural networks (2016)
作者 A. Oord et al.
训练GANs的改善性技巧
Improved techniques for training GANs (2016)
作者T. Salimans et al.
摘要：近年来，利用卷积网络（CNN）的监督学习已经在计算机视觉应用中被广泛采用。 相比之下，使用CNN的无监督学习得到的关注较少。 在这项工作中，我们希望帮助弥合CNN的监督学习和无监督学习的成功之间的差距。 我们引入一类称为深层卷积生成对抗网络（DCGAN）的CNN，它们具有某些架构约束，已显示出它们是无监督学习的强有力的候选者。 对各种图像数据集的训练，我们展示了令人信服的证据，表明我们的深层卷积对抗组件从发生器和鉴别器中的对象到场景里面都学习了表征层次。此外，我们使用学习到的特性去完成新任务 – 这显示了它们像一般图像表征一样具有适用性。
使用深度卷积生成对抗网络进行无监督表征学习
Unsupervised representation learning with deep convolutional generative adversarial networks (2015)
作者A. Radford et al.
DRAW：一个用于图像生成的循环神经网络
DRAW: A recurrent neural network for image generation (2015)
作者K. Gregor et al.
生成对抗网络
Generative adversarial nets (2014)
作者I. Goodfellow et al.
自编码变量贝叶斯
Auto-encoding variational Bayes (2013)
作者D. Kingma and M. Welling
用大规模无监督学习构建高水平特征
Building high-level features using large scale unsupervised learning (2013)
作者Q. Le et al.
2022-08-03 16:55:13
21.27MB
1