Mining Heterogeneous Information Networks: Principles and Methodologies. Synthesis Lectures on Data Mining and Knowledge Discovery

傅立叶特征使网络可以在低维域中学习高频功能 | * 1 ， * 1,2 ， * 1 ， 1 ， 1 ， 1 ， 3 ， 2 ， 1 1加州大学伯克利分校， 2 Google研究中心， 3加州大学圣地亚哥分校*表示相等的贡献 抽象的 我们表明，通过简单的傅立叶特征映射传递输入点使多层感知器（MLP）能够学习低维问题域中的高频函数。这些结果揭示了计算机视觉和图形学的最新进展，这些进展通过使用MLP表示复杂的3D对象和场景来实现了最新的结果。使用来自神经正切核（NTK）文献的工具，我们表明标准MLP在理论和实践上均无法学习高频。为了克服这种频谱偏差，我们使用傅立叶特征映射将有效的NTK转换为具有可调带宽的固定核。我们建议一种选择特定于问题的傅立叶特征的方法，该方法可以大大提高MLP在与计算机视觉和图形社区相关的低维回归任务上的性能。 代码 我们提供了一个作为该核心思想的简单

经典的leach-mac协议文献。作者：Wendi Rabiner Heinzelman, Anantha Chandrakasan, and Hari Balakrishnan。写于2002年

Axiomatic Attribution for Deep Networks 论文解析

StyleGAN —官方TensorFlow实施的编码器 的StyleGAN2 这是我的StyleGAN编码器； 有很多类似的东西，但这是我的。 感谢@Puzer作为原始人，其中包括叉子；感谢@SimJeg作为构成此处所用ResNet模型基础的初始代码；感谢@Pender他的叉子！ 从左到右：原始图像，在生成的StyleGAN面Kong上经过训练的ResNet的预测图像以及最终的编码图像。 我添加了什么： ResNet编码器-使用train_resnet.py自己训练或！ 将模型放在data / finetuned_resnet.h5中 可以直接替换以使用带有train_effnet.

半监督分层递归图神经网络用于城市范围内的停车位可用性预测 这是SHARE体系结构的Pytorch实现，如论文《。 如果您在研究中利用SHARE模型，请引用以下内容： @article{zhang2019semi, title={Semi-Supervised Hierarchical Recurrent Graph Neural Network for City-Wide Parking Availability Prediction}, author={Zhang, Weijia and Liu, Hao and Liu, Yanchi and Zhou, Jingbo and Xiong, Hui}, booktitle={Proceedings of the Thirty-Fourth AAAI Conference on Artificial Intelligen

SGM-Nets: Semi-global matching with neural networks 原文

MATLAB用拟合出的代码绘图高频计量经济学： HAR与神经网络 （免责声明：高频计量经济学，高频数据处理，HAR，神经网络，袋装，交叉验证，贝叶斯合奏） 受Hillebrand＆Medeiros（2009）和Corsi（2009）的启发，我将神经网络置于高频环境中，并测试了两种模型（HAR＆Neural Networks）的性能。 -该项目中使用的数据是标准普尔500股股票2年内日内5分钟的实际波动价值（请参阅：Sheppard，Patton，Liu，2012年），已使用双变量分析和操作方法对其进行了仔细检查。 模型简介： HAR（异构自回归模型）： 该模型由Corsi在2009年开发，它基于一个简单的回归框架。 自变量分别是每日波动率分别滞后1、5和22天。 这是为了模拟昨天，一周前和大约一个月前的波动（仅考虑公开市场交易日）。 这种类型的模型也称为“长记忆”模型，因为它可以“记住” 22个市场日之前发生的情况。 它如何直观地发挥作用？：由于交易频率较高的交易者将其策略基于过去的长期波动性来预测未来，并相应地更改其策略，因此会造成短期波动性。 这种行为对交易频率较低的交易者没有影响

使用机器学习进行疾病诊断 医疗保健领域的机器学习模型。 乳腺癌检测-使用KNN和SVM 糖尿病发作检测-使用神经网络和网格搜索 角膜动脉疾病（心脏病）诊断-使用神经网络 自闭症谱系障碍（神经发育障碍）诊断-使用简单的神经网络 数据集从UCI机器学习存储库获得。

Fundamentals of queueing Networks，Hongchen, David. Yao, 经典的排队网络书籍