时态gcn-lstm 使用应用内操作图表征和预测用户参与度的代码：Snapchat的案例研究 Temporal-gcn-lstm模型对时间演变的动作图进行编码，以预测未来的用户参与度。 端到端的多通道神经模型还对活动序列和其他宏观特征进行编码，以达到最佳性能。 要求 DGL，NetworkX，PyTorch，Pandas，Numpy，SciKit-Learn，tqdm 深度图库（DGL） pytorch 建立动作图 build_graphs.py：为时间段构建静态图 build_temporal.py：每天建立时间图 python3 build_graphs.py INPUT_PATH OUTPUT_PATH python3 build_temporal.py INPUT_PATH OUTPUT_PATH 楷模 utils.py：支持功能 activity_seq_model

在本文中，我们使用一个随时间变化的图快照序列组成的时间演化图来对许多现实世界的网络进行建模。我们研究了时间演化图中的路径分类问题，该问题在实际场景中有许多应用，例如，预测电信网络中的路径故障和预测近期交通网络中的路径拥塞。 为了捕捉时间依赖性和图结构动态，我们设计了一种名为 Long Short-Term Memory R-GCN (LRGCN) 的新型深度神经网络。LRGCN 将时间相邻图快照之间的时间依赖性视为与内存的特殊关系，并使用关系 GCN 共同处理时间内和时间间关系。我们还提出了一种新的路径表示方法，称为自注意路径嵌入（SAPE），将任意长度的路径嵌入到固定长度的向量中。通过在加利福尼亚的真实电信网络和交通网络上的实验，我们证明了 LRGCN 在路径故障预测方面相对于其他竞争方法的优越性，并证明了 SAPE 在路径表示上的有效性。

内容 历史 这项工作的第一个版本被 CVPR 2016 接受。 在 arxiv 上上传了扩展工作。 。 此版本建立在先前版本的基础上，包括以下内容： 我们收集了比 CVPR 提交大 3 倍的扩展排球数据集。 我们对实验结果进行了进一步分析，并包括与一组额外的基线方法的比较。 我们实施了我们方法的一种变体，以对人员执行空间池化策略。 提供的数据集是扩展版本。 请使用并与此版本进行比较。 抽象的 在群体活动识别中，可以根据代表活动的个体的动态来推断整个活动的时间动态。 我们基于 LSTM 模型构建了一个深度模型来捕捉这些动态。 为了利用这些观察结果，我们为群体活动识别问题提出了一个两阶段的深度时间模型。 在我们的模型中，LSTM 模型旨在表示序列中个人的动作动态，而另一个 LSTM 模型旨在聚合人级信息以了解整个活动。 我们在两个数据集上评估我们的模型：集体活动数据集和一个新的排球

介绍全新的CTAA V3 'Cinematic Temporal Anti-Aliasing' 现在包括对HDRP的完整支持（URP即将推出）。CTAA支持PC / MacOS和所有VR设备的所有渲染路径，包括单通道立体VR。 自2014年以来，CTAA一直是首屈一指的VR Ready尖端电影时空抗锯齿解决方案，被全球数千名Unity开发者所使用，现在也可用于HDRP！CTAA支持PC / MacOS和所有VR设备的所有渲染路径，包括单通道立体VR。 CTAA保留了固有的电影真实感质量，增强了游戏图形，而不影响其他解决方案中的性能和伪影。不需要不必要的和有害的后期锐化过滤器，CTAA在静止和运动时始终保持清晰度和清晰度。 只需点击一下，CTAA V3就能让标准和HDRP管道上的所有Unity用户实时实现真正的下一代离线电影渲染质量效果。没有更多的Specular Shimmer或Specular Aliasing，没有更多的PBS诱导的高频闪烁，没有更多的HDR Bloom Flicker，只有一个ROCK STEADY Film Quality锐利的抗锯齿图像，且性能速度惊人。CTAA提供了真正的电影级品质的时间超采样抗锯齿效果，在运动中保持并保持清晰度和清晰度。其性能与标准FXAA大致相当。 使用我们的最高性能的时空抗锯齿解决方案，为您的所有PC和VR项目实现最高的质量，迄今为止，Unity的任何引擎都是如此。 MSAA也可以和CTAA一起使用，提供无与伦比的真正离线质量结果。这对于所有的VR项目来说都是一个很好的选择，因为它能以很小的性能成本显著提高质量。2xMSAA足以提供相当于8xMSAA质量的AA，并具有时空解决方案的所有优势。 VR所需的SDK STEAMVR for HTC VIVE OCULUS INTEGRATION 立即下载免费的评估演示。 (请注意，其中一些演示使用的是旧版本的CTAA) CTAA PC DEMOS CTAA VS UNITY TAA电脑演示 CTAA VS UNITY TAA VS FXAA PC DEMO 2 一些值得注意的特点 - 2种可用的自定义层选择方法，您现在可以从任何对象或GUI元素中排除CTAA时间抗锯齿，而且很容易。 - 层级排除适用于所有的版本，包括所有的VR版本，所以很容易从CTAA中排除GUI元素，以获得清晰的用户界面。 - 超级取样现在启用 除了CTAA、CinaSoft和CinaUltra之外，现在还有2种超级采样方法可以使用。这些方法可以与CTAA同时使用，以实现终极抗锯齿，以满足非常苛刻的场景和真正的次世代AAA外观。 - CTAA for PC现在可以自动检查分辨率的变化，并对所有需要的渲染目标进行缩放，消除暗部轮廓的异常，并证明了一个更强大的使用工作流程。 - PC版增加了新的防抖动V3模式，完全消除了微抖动，适用于建筑可视化、CAD、工程、汽车、设计和制造或任何需要最高质量视觉效果的项目。 - Steam VR版新增自适应锐度V3模式，在几乎零性能影响的情况下提高感知锐度。 - 兼容Unity 2019和最新的后期处理栈。 完整的VR单通道立体声支持和最新的STEAM VR支持。

PredRNN 包含PyTorch的纸张实现- PredRNN：使用时空LSTM进行预测性学习的递归神经网络 数据集 移动MNIST数据集可在下载 建筑

T-GCN-PyTorch 这是以下论文中T-GCN的PyTorch实现： 。 可以在找到此存储库的稳定版本。 要求 麻木 matplotlib 大熊猫 火炬 火炬闪电 闪电 模型训练 # GCN python main.py --model_name GCN --max_epochs 3000 --learning_rate 0.001 --weight_decay 0 --batch_size 64 --hidden_dim 100 --settings supervised --gpus 1 # GRU python main.py --model_name GRU --max_epochs 3000 --learning_rate 0.001 --weight_decay 1.5e-3 --batch_size 64 --hidden_dim 100 --settings s

经典的面向计算机科学的逻辑学，这是第三版了！

翻译文献

poi推荐，论文Where to Go Next A Spatio-Temporal的英文原文、我自己翻译的中文和总结

本资源是对2021年收录于ACM的最新POI论文的精准翻译，并且经过严谨排版，公式整齐，保证阅读流畅无障碍。对不喜欢看英文文献或想节约时间的小伙伴强烈推荐！！！