churcee

摘要： (Traditional Feature Based on Methods) 一.Review 图预测：节点预测、边预测和图预测 传统机器学习pipeline：设计并获取所有训练数据上节点/边/图的特征→训练机器学习模型→应用模型 图数据本身就会有特征，但是我们还想获得说明其在网络中的位置、其局部网 阅读全文

摘要： @(文章目录) 1.图的概念 图的组成部分 图的意义 作为一种解决问题的通用语言，将问题抽象成图，用同一种机器学习的算法可以求解多个问题。 但为问题选择合适的表示是很难的问题——选择合适的点、边和问题域 2.design choice 有向图和无向图directed/undirected graph 阅读全文

摘要： Application of Graph ML 图机器学习任务分为四类 节点级别 node level 边级别 edge level 社区 / 子图级别 community(subgraph) level 图级别，包括预测任务graph-level prediction和 图生成任务graph ge 阅读全文

摘要： (目录) 1.课程先导 证明可用方法： proof by contrapositive类比证明、 proof by contradiction举反例、 proof by cases举例子、 proof by induction数学归纳法 数学算数基础： 微积分calculus：$e^x=\lim_{ 阅读全文