WSDM'21教程：具有深图库的可扩展图神经网络
时间： 2021年3月8日，上午9:30-下午12:00（GMT + 2）
作者：来自亚马逊AI的大正，王敏杰，甘泉，宋松，张正
从图和关系数据中学习在许多应用程序中起着重要作用，包括社交网络分析，市场营销，电子商务，信息检索，知识建模，医学和生物科学，工程学等。 在过去的几年中，图形神经网络（GNN）成为一种有前途的新型监督学习框架，能够将深度表示学习的功能引入图形和关系数据。 这项不断发展的研究表明，GNN在诸如链接预测，欺诈检测，目标配体结合活性预测，知识图完成和产品推荐等问题上达到了最先进的性能。 实际上，许多现实世界的图都非常大。 迫切需要一种可扩展的解决方案，以在大型图形上有效地训练GNN。 本教程将概述GNN背后的理论，讨论GNN非常适合的问题类型，并介绍一些最广泛使用的GNN模型架构以及旨在解决的问题/应用程序。 它将引入
2021-10-23 12:50:47
53KB
1
数据为沪深300的1分钟K线，时间从2009年至2020年8月，非常珍贵的1分钟数据，其中还包括开盘价、最高点、最低点、收盘价、成交量、成交金额。没有缺失数据，数据质量非常好。
2021-10-23 11:58:43
45.57MB
1
水资源用到的各种程序，比如正常水深 共轭水深 临界水深 线性回归 水面线推求 消力池设计
2021-10-22 21:27:10
34KB
1
使用从单个图像进行3D人脸建模的Python代码
新功能：请参阅我们的后续项目，以进行。
此页面包含端到端演示代码，这些代码直接从不受约束的2D面部图像中估算3D面部形状和纹理。 对于给定的输入图像，它将生成面部形状和纹理的标准层文件。 它伴随我们的论文[1]中描述的深层网络。 在此版本中，我们还包括了地标构成的姿势和表情拟合的演示代码。
此版本是正在进行的人脸识别和建模项目的一部分。 请，请参阅以获取更新和更多数据。
特征
直接从图像强度用于3D形状和纹理估计的端到端代码
在不受限制的条件下设计和测试人脸图像，包括具有挑战性的LFW，YTF和IJB-A基准
首次显示使用我们的网络提取的3D面部形状和纹理参数具有描述性和鲁棒性，并通过这些基准上的3DMM表示提供了近乎最新的面部识别性能
没有昂贵的迭代优化，内部循环即可回归形状。 因此，3DMM安装非常快
使用回归的3D人脸模型，根据检
2021-10-22 16:09:02
42.47MB
1