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

Factor Graphs for Robot Perception.pdf

经典论文阅读+分享时用的ppt

将 jpgc-graphs-basic-2.0.zip 解压缩后只有一个 lib 目录，该目录下有一个 ext 文件夹和一个 jmeter-plugins-cmn-jmeter-0.3.jar 包，ext 文件夹中有 jmeter-plugins-graphs-basic-2.0.jar 和 jmeter-plugins-manager-0.10.jar 包。 将 lib 目录下的 jmeter-plugins-cmn-jmeter-0.3.jar 拷贝到 %JMeter%/lib 目录下，将 ext 目录下的 jmeter-plugins-graphs-basic-2.0.jar 和 jmeter-plugins-manager-0.10.jar 拷贝到 %JMeter%/lib/ext 目录下，重启 JMeter

图卷积神经网络简述，Graph Signal Processing with Applications to 3D Clouds of Points and Neuroscience

jmeter压力测试插件，包含tps绘制等多种功能

Spectra of Graphs （图论）Andries E. Brouwer • Willem H. Haemers

Learning low-dimensional embeddings of knowledge graphs is a powerful approach used to predict unobserved or missing edges between entities. However, an open challenge in this area is developing techniques that can go beyond simple edge prediction and handle more complex logical queries, which might involve multiple unobserved edges, entities, and variables. For instance, given an incomplete biological knowledge graph, we might want to predict what drugs are likely to target proteins involved with both diseases X and Y?—a query that requires reasoning about all possible proteins that might interact with diseases X and Y. Here we introduce a framework to efficiently make predictions about conjunctive logical queries—a flexible but tractable subset of first-order logic—on incomplete knowledge graphs. In our approach, we embed graph nodes in a low-dimensional space and represent logical operators as learned geometric operations (e.g., translation, rotation) in this embedding space. By performing logical operations within a low-dimensional embedding space, our approach achieves a time complexity that is linear in the number of query variables, compared to the exponential complexity required by a naive enumeration-based approach. We demonstrate the utility of this framework in two application studies on real-world datasets with millions of relations: predicting logical relationships in a network of drug-gene-disease interactions and in a graph-based representation of social interactions derived from a popular web forum.

计算机视觉Github开源论文

随机图上的流行病 介绍 这里的代码旨在模拟的疾病爆发。 包含的功能可以通过可修改的部署将通过疫苗的干预措施纳入进来。 注意：此项目已被所取代。 目录 基本信息 我们用一个经典的随机图G（n，p_adj）建模一个简单的社交网络，该图由n个节点组成，其中任意两个节点的连接概率为p_adj。 一个随机选择的节点感染了病毒V（p_inf，tau），成为零号患者。 在一个时间步中，每个受感染的节点以p_inf的概率将病毒传播到其每个连接的节点。 节点从感染中恢复的预期时间步长为tau。 为了数学上的方便，我们忽略了生命动力学，并假设网络中没有出生或死亡。 有关更多信息，请阅读相应的论文上的 。 用法 可以使用带有命令行参数的simRGSIR来运行大多数核心功能。 前六个命令行参数是： 人口：要模拟的节点数。 p_adjacent ：连接两个节点的概率。 p_infect ：感染者在一个时