evolving专题

论文：Evolving Deep Convolution Neural Networks for Image Classifcation

来自文章：《Evolving Deep Convolutional Neural Networks for Image Classfication》对于CNN的性能来讲depth，权重的初始化都很重要。一、卷积神经网络从B站上看了一下讲解CNN 的视频，卷积核filter实际上就是连接矩阵中的value，卷积和池化都是用来学习图像特征的，让网络关注更有意义的局部特征。卷积共享权重（share

EvolveGCN: Evolving Graph Convolutional Networks for Dynamic Graphs

文章目录 1 前言2 问题定义3 EvolveGCN思路4 方法的优势与局限性4.1 优势4.2 局限性论文地址：https://arxiv.org/pdf/1902.10191来源：AAAI, 2020源码地址：EvolveGCN关键词：Dynamic Graphs, GCN 1 前言该论文解决的是不断进化（evolve）的graph的表征问题。以往的方法主要将结点的

《Evolving Neural Networks through Augmenting Topologies》by Kenneth O. Stanley and Risto Miikkulainen

Abstract 要解决的问题：网络的结构和参数一起进化优势：①提出了一种在不同结构之间交叉的方法；②通过种族（speciation）来保障种群的创新性；③从一个最小的拓扑结构进行进化。实验：①通过对比实验证明，在加强学习的任务上，增长性的结构比固定结构性能更好；②通过剪切实验证明NEAT算法的各个部分不可或缺。贡献：①证明GA可以同时优化和复杂化（这里的复杂化应该指的是多样化）解

Transformer携手Evolving Attention在CV与NLP领域全面涨点！

点击下方卡片，关注“CVer”公众号 AI/CV重磅干货，第一时间送达 Evolving Attention with Residual Convolutions 作者单位：北京大学, 微软, 中科院, ETH Zurich, 清华大学论文：https://arxiv.org/abs/2102.12895 本文提出了一种新型通用的注意力机制Evolving Attention来提高Tran

论文阅读笔记( 一 )：Graph-Evolving Meta-Learning for Low-Resource Medical Dialogue Generation

论文阅读笔记( 一 )：Graph-Evolving Meta-Learning for Low-Resource Medical Dialogue Generation “知识是基础，汗水是实践，灵感是思想火花，思想火花人人有，不要放弃它。Chance favors the prepared mind.”——袁隆平寄语青年人文章目录论文阅读笔记( 一 )：Graph-Evolvi

文献阅读（25）AAAI2020-EvolveGCN：Evolving Graph Convolutional Networks for Dynamic Graph

本文是对《EvolveGCN：Evolving Graph Convolutional Networks for Dynamic Graph》一文的浅显翻译与理解，如有侵权即刻删除。朋友们，我们在github创建了一个图学习笔记库，总结了相关文章的论文、代码和我个人的中文笔记，能够帮助大家更加便捷地找到对应论文，欢迎star~ Chinese-Reading-Notes-of-Graph-L

[论文笔记] Tesseract: Distributed, General Graph Pattern Mining on Evolving Graphs

Tesseract: Distributed, General Graph Pattern Mining on Evolving Graphs Tesseract: 基于演化图的分布式通用图模式挖掘 [Paper] [Slides] EuroSys’21 摘要第一个在演化图上执行通用图挖掘算法的分布式系统提出一种新的变化检测方法，有效地确定精确的修改一个分类的、多版本的图存储使用增量聚合(

Adaptive Synchronization of Dynamics on Evolving Complex Networks

原文链接：https://journals.aps.org/prl/abstract/10.1103/PhysRevLett.100.114101 发表在：PRL 2008 ----------------------------------------------------------------------------------------------------------------

Graph-Evolving Meta-Learning for Low-Resource Medical Dialogue Generation翻译

摘要具有良好结构化医学知识的人类医生仅需通过与患者的几次对话就能诊断出疾病。相比之下，现有的基于知识的对话系统通常需要大量的对话样例来学习，因为它们无法捕获不同疾病之间的相关性，而忽略了其中共享的诊断经验。为了解决这个问题，我们提出了一个更自然，更实用的范式，即低资源医疗对话生成，可以将诊断经验从源疾病转移到具有少数数据目标疾病。它在常识知识图上大写，以表征先前的疾病症状关系。此外，我们开发了

第一部分-论文解读：用进化深度卷积神经网络进行图像分类（Evolving Deep Convolutional Neural Networks for Image Classification）

最近读了一篇关于进化神经网络搜索出最好的图像分类网络的论文，本人英文不是很好，翻译错误的地方请多指正。原文链接：Evolving Deep Convolutional Neural Networks for Image Classification 1.摘要： 1.翻译进化算法在20年前就已经被应用于神经网络，但是由于它的权值和结构十分复杂，所以当时的电脑性能跟不上，无法用于深度学习，但是现

《On the Shoulders of Giants: Incremental InfluenceMaximization in Evolving Social Networks》——解析

中文翻译——动态社会网络的增量式影响最大化算法 1.什么是影响力最大化在2003年Kempe 等人就给出了准确的影响力最大化的定义，同时也证明了影响力最大化问题是一个NP难问题。影响力最大化问题可以定义如下:给定一个G=(V，E)的网络图，其中V表示图中的节点，E表示图中的边，同时给定一个正整数k，影响力最大化问题就是要在给定的传播模型下，找到一组数量为k的种子节点集，使得在

Evolving Losses for Unsupervised Video Representation Learning

这是google发在CVPR 2020上的文章，链接为：论文链接实验结果就不放了