暂时未有相关云产品技术能力~
暂无个人介绍
EBGCN:面向传播不确定性的谣言检测边增强贝叶斯图卷积网络
JOAO:自动化选择数据增强的GraphCL
GCA:基于自适应数据增强的图对比学习
GraphCL:基于数据增强的图对比学习
MVGRL:多视图图对比学习
InfoGraph:基于互信息最大化的无监督和半监督图表示学习
Deep Graph Infomax:互信息最大化的无监督图对比学习
Deep InfoMax:基于互信息最大化的表示学习
MINE:随机变量互信息的估计方法
MoCo:无监督视觉表示学习的动量对比
LINE:大规模信息网络嵌入方法
EBGCN:面向传播不确定性的谣言检测边增强贝叶斯图卷积网络
DeepWalk:图表示的在线学习
基于树Transformer的推特谣言检测
Bi-GCN:基于双向图卷积网络的社交媒体谣言检测
PLAN:关注用户交互的可解释微博谣言检测
在谣言检测研究方面,目前很少有基于谣言传播结构的方法。一些基于核的方法用来建模传播树的结构,通过对比树的相似性可以区分谣言和非谣言,但是不能直接分类一棵树,而是需要与其他树两两对比。
从评论中构建可解释的意见图
基于属性补全的异质图神经网络
HGAT:假新闻检测的分层图注意力网络
图注意力网络
GCAN:可解释的社交媒体假新闻检测方法
EANN:多模态假新闻检测的事件对抗神经网络
反向传播的无监督域自适应方法
逻辑回归从零实现以及PyTorch实现
ConSERT:一个自监督对比学习句子表示迁移框架
正则化技术的选择和超参数优化:简单神经网络处理表格数据
GraphSAGE:大型图的归纳式表示学习
MPNN:消息传递神经网络
PATCHY-SAN:卷积神经网络处理图结构数据
第三代图卷积网络:使用图卷积网络进行半监督分类
第二代图卷积网络:应用快速局部谱卷积的图卷积网络
自注意力归因:解释Transformer内部的信息交互
ELECTRA:类似GAN的预训练语言模型
第一代图卷积网络:图的频域网络与深度局部连接网络
图神经网络中的谱图理论基础
傅里叶级数与傅里叶变换
Informer:用于长序列时间序列预测的新型Transformer
Sigmoid信念网络|机器学习推导系列(二十八)
近似推断|机器学习推导系列(二十七)
配分函数|机器学习推导系列(二十六)
生成对抗网络-条件生成|深度学习(李宏毅)(二十五)
受限玻尔兹曼机|机器学习推导系列(二十五)
高斯过程回归|机器学习推导系列(二十四)
生成对抗网络-理论部分|深度学习(李宏毅)(二十三)
生成对抗网络-基本概念|深度学习(李宏毅)(二十二)
贝叶斯线性回归|机器学习推导系列(二十三)
异常检测|深度学习(李宏毅)(二十一)
高斯网络|机器学习推导系列(二十二)
无监督学习-自编码器-补充|深度学习(李宏毅)(二十)