摘要： Expectation Maximization，EM算法是带有隐变量的概率模型参数的极大似然估计（MLE为给定参数，观测数据出现/生成的可能性）。 如下为《统计机器学习》中对应EM算法的笔记。 观测数据Y和隐变量X合称，完全数据 观测数据Y称，不完全数据 E步：（期望步）求Q函数（上一轮参数固定， 阅读全文

摘要： 一、矩阵的范数 二、矩阵的谱半径 虽然，谱半径小于等于任意矩阵范数。 但是，也必存在一个算子范数，小于等于谱半径+一个小的正数 从线性方程组的迭代法的收敛性到矩阵的幂的收敛。 谱半径小于1，也必存在一个算子范数，小于1； 若矩阵的范数小于1， 当k趋于无穷时，矩阵任意范数的k次幂肯定趋近于0，这就使 阅读全文

摘要： 一、快排基础 1.1 快排的流程 将数组A进行快速排序的基本步骤-quick_sort(A)： 递归基础情况：如果A中的元素个数是1或0，则返回。 选取主元：取A中的任意一个元素v，作为主元(pivot)。 交换策略：将A-{v}即A中剩余元素，划分成两个不相交的集合（多重集）A1和A2， 递归处理 阅读全文

摘要： 手撕版 最大堆的完全实现， 堆中元素为二元组（num, idx），比较时用数值，赋值或交换时用整个元组。 class Heap: def __init__(self, arr, capacity): # 容量和大小 self.size = len(arr) self.arr = [None] * c 阅读全文

摘要： 基础 傅里叶变换 傅里叶级数是对周期为T的确定性信号做展开，而傅里叶变换将周期推广到无穷，能对具有任意长度的信号做展开。 傅里叶级数和傅里叶变换是什么关系？ 如下为傅里叶变换公式： \[\hat{f}(t)={\int}f(x){\exp}^{-iwt}dx = {\int}f(x) \left(c 阅读全文

摘要： 一、堆的基础 1.1 优先队列和堆 优先队列（Priority Queue）：特殊的“队列”，取出元素顺序是按元素优先权（关键字）大小，而非元素进入队列的先后顺序。 若采用数组或链表直接实现优先队列，代价高。依靠数组，基于完全二叉树结构实现优先队列，即堆效率更高。一般来说堆代指二叉堆。 优先队列的完 阅读全文

摘要： 一、背景 将卷积运算推广到不规则域通常表示为邻局聚合(neighborhood aggregation)或消息传递(neighborhood aggregation)模式。 \(\mathbf{x}^{(k-1)}_i \in \mathbb{R}^{1 \times D}\)表示节点\(i\)在第 阅读全文

摘要： 一、摘要 假新闻的爆炸性增长，以及对政治、经济和公共安全的破坏性影响，增加了对假新闻检测的需求。社交媒体上的假新闻并不是以文章的形式独立存在的。许多其他实体，如新闻创造者、新闻主题等，都存在于社交媒体上，并与新闻文章有关系。不同的实体和关系可以被建模为一个异构信息网络（HIN）。 在本文中，我们试图 阅读全文

摘要： 一、摘要 学习复杂网络上的连续时间动态对于理解、预测和控制科学和工程中的复杂系统至关重要。然而，由于高维系统结构中的组合复杂性、它们难以捉摸的连续时间非线性动力学以及它们的结构-动力学依赖性，使得这项任务非常具有挑战。 为了解决这些挑战，我们提出将常微分方程系统（ODEs）和图神经网络（GNNs）相 阅读全文

摘要： 一、摘要 图上的表示学习，也称为图嵌入，已经证明了它对一系列机器学习应用程序的重大影响，如分类、预测和推荐。 然而，现有工作在很大程度上忽略了那些可以被表示为属性图的现代应用程序中的节点以及边的属性中所包含的丰富信息，例如，那些由属性图所表示的信息。 到目前为止，大多数现有的图嵌入方法要么只关注具有 阅读全文