这次报告讲解了网络表示学习的基本概念，对LINE算法的原理进行了深入讲解，并对网络表示学习算法的应用场景做了简单介绍。
网络表示学习-李东超-2018-09-16 19_00_00
原创文章，作者：admin，如若转载，请注明出处：https://www.isclab.org.cn/2018/09/17/%e7%bd%91%e7%bb%9c%e8%a1%a8%e7%a4%ba%e5%ad%a6%e4%b9%a0/
图半监督学习
上一篇
2018年9月3日 上午10:22
2018年“信阳杯”网络安全对抗技术精英挑战赛通知
下一篇
2018年9月17日
相关推荐
-
深度神经网络后门攻击
人工智能模型安全是人工智能应用落地需要考量的重要问题，后门攻击威胁是人工智能模型安全的重要议题。本次学术报告以深度神经网络为后门攻击的对象，从深度神经网络训练的内部机理出发，通过了…
-
多示例多标记学习
本次学术报告主要讲解了多示例多标记学习(Multi-Instance Multi-Label learning)，主要对多示例多标记…
-
网络表示学习-Deepwalk
网络表示是衔接网络原始数据和网络应用任务的桥梁。网络表示学习算法负责从网络数据中学习得到网络中每个节点的向量…
-
强化学习基础与实战
本报告介绍了强化学习领域基本概念，详细介绍了Q-Learning算法和Deep Q Learning算法的原理，简要梳理了了两种算法的发展脉络，以经典案例windy grid-wo…
-
人工智能生成内容检测
本学术报告概述了人工智能生成内容检测的背景、挑战及两种核心算法——DetectGPT和DeTeCtive。重点阐述了基于概率曲率的零样本检测方法和多级对比学习框架，分析了其原理、优…
-
预训练加密流量表征方法-巩锟
本次报告从BERT框架入手，讲解基于预训练的加密流量表征方法。首先介绍加密流量分析的问题和挑战，在基本概念部分着重分析BERT输入表示、预训练过程中的MLM和NSP任务，然后以ET…
-
面向无人机系统的漏洞挖掘
无人机广泛应用但传统模糊测试存在物理感知盲区且飞控输入高维，漏洞难挖掘。本报告介绍两种新方法：路径规划漏洞挖掘框架 DPFuzzer 及 PID 参数规范推断技术 RouthSea…
-
机器学习模型后门攻击检测
本次学术报告简要介绍了人工智能系统面临的各种安全威胁，通过将对抗样本与后门攻击进行多方面比较，从而引入了机器学习模型后门攻击的原理和检测方法，以及后门攻击技术的应用领域。
-
动态规划——最小编辑代价
1.问题描述 上一次说了最小编辑距离，这次在这上面加一点料，a1、a2和a3每次操作的代价不同了，加入了每个操作的代价，这下问题变为，针对字符串a和字符串b定义三种操作，a1、a2…
