图嵌入是降维方法研究的一个重要领域，该代码是经典图嵌入算法''局部图嵌入LGE算法''的matlab代码

Photoshop可以用于UI设计，图像像素和算法的理解。

使用机器学习和深度学习并结合知识图嵌入的财务报表中的股票价格预测 几十年来，能够预测单个公司的股价一直是投资者的目标。 公司的股价受许多因素影响。 这些因素包括新闻，当前的政治气候和经济状况。 但是，鉴于成功进行预测可能获得的回报，许多人都试图开发模型来精确地做到这一点。 与股票价格预测有关的许多文献都集中在趋势（价格上涨或下跌）和价格（例如几天之内或两天之间的价格变化）的短期预测中。 该项目研究了机器学习，深度学习和知识图嵌入的使用，以发现在美国证券交易所上市的公司的财务业绩与其股价之间的关系。 具体来说，这项工作涉及尝试从财务报表中生成价格预测，以及预测每个公司的年度10K报告之间单个公司股票价格变化的趋势和幅度。 这项工作为投资者提供了财务决策支持，也导致了新数据集的产生，其他研究人员可能会进一步探索。 存储库的结构如下： “数据”文件夹包含针对所研究的每个研究问题的预处理数据

包含了《嵌入式系统的微模块化程序设计：实用状态图C/C++实现》的英文版 （Practical Statecharts in C/C++ --- Quantum Programming for Embedded Systems）， 中文第二版《UML 状态图的实用C++设计》， 《用状态机原理进行软件设计》，《状态机原理及用法》和第一版《嵌入式系统的微模块化程序设计》的光盘

TE故障检测数学代码用于故障检测的动态图嵌入 论文“用于故障检测的动态图嵌入”的代码 Matlab版本应晚于R2015b 演示代码可在目录“ Matlab_code”中找到。 开发它们以对故障1的数据进行故障检测。开发文件“ myConstructW.m”以获得等式（6）的相似性。 在文件中，我们根据本文中的等式给出注释。 主程序“ myfunction_tensorLPP_markov_paper.m”可以直接运行。 “ TensorLGE.m”和“ TensorLPP.m”是主程序所需的代码。 “ TensorLGE.m”和“ TensorLPP.m”都是由邓凯（Deng cai）设计的，邓蔡是发表在《神经信息处理系统18》（NIPS 2005）上的论文“ Tensor子空间分析”的第二作者。 文件“ kde.m”是内核密度估计的代码，用于确定T2和SPE统计信息的控制限制。 “ File_published_by_matlab_in_PDF.pdf”是运行结果以及使用MATLAB:registered:R2015b发布的代码。 “ Files_and_results_published_by_matl

基于机器学习的图分区文章

图嵌入综述译文（arxiv 1709.07604）

许多学习任务需要处理包含丰富元素之间关系信息的图形数据。物理系统建模、学习分子指纹、预测蛋白质界面和疾病分类需要一个模型来从图形输入中学习。在其他领域，例如从文本和图像等非结构数据中学习，对提取的结构（如句子的依赖树和图像的场景图）进行推理是一个重要的研究课题，也需要图推理模型。图神经网络 (GNN) 是神经模型，它通过图节点之间的消息传递来捕获图的依赖性。近年来，图卷积网络 (GCN)、图注意力网络 (GAT)、图循环网络 (GRN) 等 GNN 的变体在许多深度学习任务上都表现出了突破性的表现。在本次调查中，我们为 GNN 模型提出了一个通用的设计流程，并讨论了每个组件的变体，系统地对应用程序进行了分类，并为未来的研究提出了四个开放性问题。

A Survey on Heterogeneous Graph Embedding: Methods, Techniques, Applications and Sources 异构图 (HG) 也称为异构信息网络，在现实世界中无处不在；因此，HG 嵌入旨在在低维空间中学习表示，同时保留下游任务（例如，节点/图分类、节点聚类、链接预测）的异构结构和语义，近年来引起了相当大的关注。在本次调查中，我们对 HG 嵌入方法和技术的最新发展进行了全面审查。我们首先介绍了 HG 的基本概念，并讨论了与同构图表示学习相比，HG 嵌入的异质性带来的独特挑战；然后我们根据他们在学习过程中使用的信息系统地调查和分类最先进的 HG 嵌入方法，以解决 HG 异质性带来的挑战。特别是对于每一种有代表性的HG嵌入方法，我们都进行了详细的介绍，并进一步分析了其优缺点；同时，我们还首次探索了不同类型的 HG 嵌入方法在现实工业环境中的变革性和适用性。此外，我们进一步介绍了几个广泛部署的系统，这些系统已经证明了 HG 嵌入技术在解决具有更广泛影响的实际应用问题方面的成功。为了促进该领域的未来研究和应用，我们还总结了开源代码、现有图学习平台和基准数据集。最后，我们探讨了 HG 嵌入的其他问题和挑战，并预测了该领域的未来研究方向。

图神经网络 (GNN) 已成为分析和学习图数据的标准工具包。随着该领域的发展，识别关键架构并验证可推广到更大、更复杂的数据集的新想法变得至关重要。不幸的是，在缺乏具有一致实验设置的标准化基准的情况下，越来越难以衡量新模型的有效性。在本文中，我们介绍了一个可重复的 GNN 基准测试框架，使研究人员能够方便地为任意数据集添加新模型。我们通过对最近的 Weisfeiler-Lehman GNN (WL-GNN) 与基于消息传递的图卷积网络 (GCN) 进行各种图任务（即图回归/分类和节点/链路预测，具有中等规模的数据集。