现有的寻找社会群体的研究主要集中在社交网络中的密集子图。然而，寻找社会脆弱的群体也有许多重要的应用。在本文中，我们引入了K三角的概念来度量群的最小值。然后，我们制定了一个新的研究问题，最小K三角形断开组（MKTG），以找到一个社会脆弱的群体从在线社交网络。我们证明了MKTG是任意图中任意比率内的NPHard和不可逼近的，但在阈值图中是多项式时间可跟踪的。设计了两种算法，即TARA和TRA-ADV，利用图论方法有效地解决了一般图上的MKTG问题。在七个真实数据集上的实验结果表明，所提出的算法在效率和解决方案质量方面优于现有方法。

Foundations and modelling of dynamic networks using Dynamic Graph Neural Networks: A survey 动态网络用于广泛的领域，包括社交网络分析、推荐系统和流行病学。将复杂网络表示为随时间变化的结构，网络模型不仅可以利用结构模式，还可以利用时间模式。然而，由于动态网络文学来自不同领域并使用不一致的术语，因此导航具有挑战性。同时，图神经网络 (GNN) 近年来因其在一系列网络科学任务（例如链接预测和节点分类）上表现出色的能力而受到广泛关注。尽管图神经网络很流行并且动态网络模型的好处已经得到证实，但很少有人关注用于动态网络的图神经网络。为了解决这项研究跨越不同领域以及调查动态图神经网络这一事实所带来的挑战，这项工作分为两个主要部分。首先，为了解决动态网络术语的歧义，我们建立了具有一致、详细的术语和符号的动态网络基础。其次，我们使用所提出的术语对动态图神经网络模型进行了全面调查。

近年来，深度学习彻底改变了许多机器学习任务，从图像分类和视频处理到语音识别和自然语言理解。这些任务中的数据通常在欧几里得空间中表示。 然而，越来越多的应用程序从非欧几里得域中生成数据，并表示为对象之间具有复杂关系和相互依赖性的图形。图数据的复杂性给现有的机器学习算法带来了重大挑战。最近，出现了许多关于扩展图数据深度学习方法的研究。在本次调查中，我们全面概述了数据挖掘和机器学习领域的图神经网络 (GNN)。我们提出了一种新的分类法，将最先进的图神经网络分为四类，即循环图神经网络、卷积图神经网络、图自动编码器和时空图神经网络。我们进一步讨论了图神经网络在各个领域的应用，并总结了图神经网络的开源代码、基准数据集和模型评估。最后，我们提出了这个快速发展领域的潜在研究方向。

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。

Ultra-Dense Networks for 5G and Beyond：Modelling, Analysis, and Applications Ultra-Dense Networks for 5G and Beyond：Modelling, Analysis, and App.pdf (8.28 MB, 下载次数: 137 ) We are observing an ever-increasing number of connected devices and the rapid growth of bandwidth-intensive wireless applications. Te number of wirelessly connected devices is anticipated to exceed 11.5 billion by 2019, i.e. nearly 1.5 mobile devices per capita. In addition, it is expected that we will witness a 10 000-fold growth in wireless data traffic by the year 2030. Such unprecedented increases in mobile data traffic and network loads are pushing contemporary wireless network infrastructures to a breaking point. Tese predictions have raised alarm to the wireless industry and mobile network operators who are faced with the challenges of provisioning high-rate, low-delay, and highly reliable connectivity anytime and anywhere without ignificantly increasing energy consumption at the infrastructure, such as base stations, fronthaul and backhaul networks, and core networks.

随机方差减少算法：深度学习的 SVRG 和 SAGA 优化算法的实现。 随机梯度 (SGD) 是通过神经网络进行反向传播最常用的优化算法，因为它的成本比梯度下降要小。 但是，它的收敛速度非常慢，并且需要降低学习率才能收敛。 2013 年和 2014 年，出现了两种新的“混合算法”。 随机方差减少梯度 (SVRG) 和随机平均梯度增强 (SAGA) 是混合体，因为它们使用梯度的无偏估计，但它们的方差正在消失。 这两种算法具有指数收敛速度。 虽然它们的行为以机器学习目的而闻名，但它们并不用于深度学习主题。 例如，您现在可以在 scikit 学习库 ( ) 中使用 SAGA 对于这个项目，我想对这些算法进行编码以用于深度学习。 我已经使用 PyTorch 框架对这些算法进行了编码。 用法：此代码是用 Python3 编写的，我使用了 jupyter notebook。 您将需要下载以下

disparity_filter 使用图，基于多尺度骨干网，在Python中实现差异过滤器： “提取复杂加权网络的多尺度主干” M.ÁngelesSerrano，MariánBoguña，Alessandro Vespignani 视差过滤器通过考虑系统中所有尺度下的相关边缘，利用权重之间的局部异质性和局部相关性来提取网络主干。 只要该方法的强度相对于边缘入射到的两个节点中至少一个节点的均匀随机性的零假设在统计学上不兼容，该方法就保留该边缘，这确保了不会忽略强度方面小的节点。 结果，视差过滤器减少了原始网络中的边缘数量，同时显着保持了几乎所有的权重和很大一部分节点。 同样，该过滤器保留了度数分布的截止点，权重分布的形式和聚类系数。 该项目类似于，尽管提供的功能与以下各项不同： 实施细节 如果您不熟悉多尺度骨干分析，可以将其视为类似于在图形边缘而不是其节点上计算出的中心性。 换句话

SEGAN：语音增强生成对抗网络 介绍 这是SEGAN项目的存储库。 我们的原始文件可以在找到，并且测试样本可以。 在这项工作中，采用了一种对抗性生成方法，以一种完全卷积的体系结构来进行语音增强（即从损坏的语音信号中去除噪声），如下所示： 该模型处理处于不同SNR的许多噪声条件下的原始语音波形（训练时为40，测试时为20）。 它还可以对来自混合在同一结构中的许多说话者的语音特征进行建模（无需任何身份监督），这使得生成的结构在噪声和说话者维度上具有普遍性。 所有项目都是使用TensorFlow开发的。 关于GAN的定义和部署，有两个很好的参考资料库： GAN：实施改进以更稳定的方式训练G

适用于Windows和Linux的Yolo v4，v3和v2 （用于物体检测的神经网络） 纸YOLO v4： ： Paper Scaled ： ： 用于重现结果： 有关媒体的文章中的更多详细信息： 手册： ： 讨论： 关于Darknet框架： : 如何在Linux上编译 如何在Windows上编译 AP50：95-FPS（Tesla V100）论文： ： AP50：95 / AP50-FPS（Tesla V100）论文： ： tkDNN-TensorRT将批次1的YOLOv4加速约2倍，将批次4的YOLOv4加速3倍至4倍。 tkDNN： ： Op

让彩色！：灰度图像的自动着色 概述 这段代码使用Tensorflow在python中提供了的实现： "Let there be Color!: Joint End-to-end Learning of Global and Local Image Priors for Automatic Image Colorization with Simultaneous Classification" Satoshi Iizuka, Edgar Simo-Serra, and Hiroshi Ishikawa ACM Transaction on Graphics (Proc. of SIGGRAPH 2016), 2016 本文提供了一种使用深层网络自动为灰度图像着色的方法。 该网络在单个框架中共同学习局部特征和全局特征，然后可以将其用于任何分辨率的图像上。 通过合并全局特征，可以使用