搜索结果
查询Tags标签： mathbf，共有 54条记录-
论文《Sequential Recommendation with Graph Neural Networks》阅读
论文《Sequential Recommendation with Graph Neural Networks》阅读 论文概况IntroductionMethodA.Interest Graph ConstructionB. Interest-fusion Graph Convolutional LayerC.Interest-extraction Graph Pooling LayerD. Prediction Layer 总结论文概况 本文是2021年S…
2022/1/15 23:06:11 人评论 次浏览 -
论文《Sequential Recommendation with Graph Neural Networks》阅读
论文《Sequential Recommendation with Graph Neural Networks》阅读 论文概况IntroductionMethodA.Interest Graph ConstructionB. Interest-fusion Graph Convolutional LayerC.Interest-extraction Graph Pooling LayerD. Prediction Layer 总结论文概况 本文是2021年S…
2022/1/15 23:06:11 人评论 次浏览 -
论文《Memory Augmented Graph Neural Networks for Sequential Recommendation》阅读
论文《Memory Augmented Graph Neural Networks for Sequential Recommendation》阅读 论文概况IntroductionMethodA.Short-term Interest ModelingB.Long-term Interest ModelingC.Interest FusionD.Prediction 总结论文概况 本文是2020年AAAI上的一篇论文，该篇文章聚焦…
2022/1/5 23:33:42 人评论 次浏览 -
论文《Memory Augmented Graph Neural Networks for Sequential Recommendation》阅读
论文《Memory Augmented Graph Neural Networks for Sequential Recommendation》阅读 论文概况IntroductionMethodA.Short-term Interest ModelingB.Long-term Interest ModelingC.Interest FusionD.Prediction 总结论文概况 本文是2020年AAAI上的一篇论文，该篇文章聚焦…
2022/1/5 23:33:42 人评论 次浏览 -
粒子群算法（PSO）——算法详解（一）
PSO的算法配置 粒子的速度更新公式：vi(t+1)=vi(t)+c1⋅r1(t)⋅[yi(t)−xi(t)]+c2⋅r2(t)⋅[y^i(t)−xi(t)]\mathbf v_{i}(t+1)=\mathbf v_{i}(t)+c_1\cdot \mathbf r_{1}(t)\cdot [\mathbf y_{i}(t)-\mathbf x_{i}(t)]+c_2\cdot \mathbf r_{2}(t)\cdot [\hat \mathbf y_{…
2021/12/25 12:07:36 人评论 次浏览 -
粒子群算法（PSO）——算法详解（一）
PSO的算法配置 粒子的速度更新公式：vi(t+1)=vi(t)+c1⋅r1(t)⋅[yi(t)−xi(t)]+c2⋅r2(t)⋅[y^i(t)−xi(t)]\mathbf v_{i}(t+1)=\mathbf v_{i}(t)+c_1\cdot \mathbf r_{1}(t)\cdot [\mathbf y_{i}(t)-\mathbf x_{i}(t)]+c_2\cdot \mathbf r_{2}(t)\cdot [\hat \mathbf y_{…
2021/12/25 12:07:36 人评论 次浏览 -
Causal Attention for Unbiased Visual Recognition
原文链接 介绍 在图像识别和目标分类领域往往存在一些关于图像中虚假相关性的问题，最典型的如将图像中识别的主体（object）和背景（background）之间的相关性考虑成为识别主题类别的一个主要特征。如下图所示，注意力模型将ground作为一个判断为鸟类的标签，在预测地上的…
2021/12/21 23:24:59 人评论 次浏览 -
Causal Attention for Unbiased Visual Recognition
原文链接 介绍 在图像识别和目标分类领域往往存在一些关于图像中虚假相关性的问题，最典型的如将图像中识别的主体（object）和背景（background）之间的相关性考虑成为识别主题类别的一个主要特征。如下图所示，注意力模型将ground作为一个判断为鸟类的标签，在预测地上的…
2021/12/21 23:24:59 人评论 次浏览 -
武器系统仿真技术(一):系统误差分析的蒙特卡洛算法
1.应用前景 可以用于航空武器系统的误差分析,特别是函数误差的计算。蒙特卡洛法和协方差法是武器系统误差分析中的两种常用方法。其基本思想是通过对随机变量的模拟,对模拟结果进行统计分析,最终给出问题数值解的估计值。 2.武器系统误差的(MonteCarlo)分析方法 设系…
2021/12/16 1:10:13 人评论 次浏览 -
武器系统仿真技术(一):系统误差分析的蒙特卡洛算法
1.应用前景 可以用于航空武器系统的误差分析,特别是函数误差的计算。蒙特卡洛法和协方差法是武器系统误差分析中的两种常用方法。其基本思想是通过对随机变量的模拟,对模拟结果进行统计分析,最终给出问题数值解的估计值。 2.武器系统误差的(MonteCarlo)分析方法 设系…
2021/12/16 1:10:13 人评论 次浏览 -
随机游走001 | 什么是好的惩罚函数 (penalty function)？
Question A good penalty function should result in an estimator with three properties:Unbiasedness（无偏性）: The resulting estimator is nearly unbiased when the true unknown parameter is large to avoid unnecessary modeling bias.Sparsity（稀疏性）: The…
2021/11/9 23:40:12 人评论 次浏览 -
随机游走001 | 什么是好的惩罚函数 (penalty function)？
Question A good penalty function should result in an estimator with three properties:Unbiasedness（无偏性）: The resulting estimator is nearly unbiased when the true unknown parameter is large to avoid unnecessary modeling bias.Sparsity（稀疏性）: The…
2021/11/9 23:40:12 人评论 次浏览 -
Global Context-Aware Progressive Aggregation Network for Salient Object Detection Notes
Global Context-Aware Progressive Aggregation Network for Salient Object Detection Factsdue to the pyramid-like CNNs structure, high-level features help locate the salient objects roughly, low-level features help refine boundaries. traditional methods …
2021/11/9 6:10:00 人评论 次浏览 -
Global Context-Aware Progressive Aggregation Network for Salient Object Detection Notes
Global Context-Aware Progressive Aggregation Network for Salient Object Detection Factsdue to the pyramid-like CNNs structure, high-level features help locate the salient objects roughly, low-level features help refine boundaries. traditional methods …
2021/11/9 6:10:00 人评论 次浏览 -
[06] 矩阵计算
主要是关于矩阵的求导。∂y∂x\frac{\partial y}{\partial \mathbf{x}}∂x∂y [yyy是标量，x\mathbf{x}x是列向量，导数是行向量] x=[x1x2⋮xn],∂y∂x=[∂y∂x1,∂y∂x2,⋯,∂y∂xn]\mathbf{x} = \begin{bmatrix} x_1 \\ x_2 \\ \vdots \\ x_n \end{bmatrix}, \quad \f…
2021/11/8 23:14:03 人评论 次浏览
