Sticky Posts

6.9k words 6 mins.

# Personal Statement Those fortunate enough to pursue their dreams often find profound fulfillment, and I am grateful to count myself among this fortunate group. My unwavering ambition to expand my knowledge in the field of Computer Science drives me to seek advanced studies overseas. This pursuit...
4.3k words 4 mins.

Here's something encrypted, password is required to continue reading.
127 words 1 mins.

# 欢迎光临 本网站归属蓝天 ° 所有，禁止转载 如有问题 / 建议，欢迎 email:enjundu.cs@gmail.com 本人 github：https://github.com/EnjunDu 文末均有赞赏，如果对你有用欢迎 fork OR donate~ 暂时就这么多啦～

Categories

单片机小学期ECEA

6 posts in total

嵩天的爱-ECE-BC

8 posts in total

HKUST_RA

7 posts in total

网安导论实验

7 posts in total

LLM的test oracle生成

15 posts in total

BIT-study

5 posts in total

Capture-the-Flag

1 posts in total

deep-learning

14 posts in total

Nature-Language-Process

3 posts in total

闲来无事赚丶米

6 posts in total

数字逻辑实验

4 posts in total

推荐算法相关search

5 posts in total

Post List

7.7k words 7 mins.

# MIXTURE OF WEAK & STRONG EXPERTS ON GRAPHS # BACKGROUND Propose a method for decoupling rich self-features of nodes and informative structures of neighborhoods by Mixture of weak and strong experts. weak expert: light-weight Multilayer Perceptron (MLP) strong expert: off-the-shelf...
14k words 12 mins.

# 自适应消息传递增强图异常检测 # A B S T R A C T 现有方法主要集中在（局部不一致挖掘）LIM 上 —— 基于很难在异常节点与其邻居之间建立高相似性的直觉 图神经网络 (gnn) 采用的消息传递导致局部异常信号丢失，因为 gnn 倾向于使连接节点相似，这与 LIM 直觉相冲突。 在本文中，提出了 GADAM，这是一个新的框架，它不仅解决了 LIM 和消息传递之间的冲突，而且利用消息传递通过一种超越 LIM 的异常挖掘方法来增强异常检测。 首先提出一种有效的基于 mlp 的 LIM...
15k words 14 mins.

# 综述 # 1. 研究背景 移动社交网络的快速发展促进了人们的社会交往，但也导致了网络欺诈行为的增加。这些欺诈行为给个人和社会带来了巨大的经济损失。 检测欺诈用户的常用数据是通话记录（CDR），但这些数据存在严重的不平衡性，这会影响基于 GNN 的欺诈检测模型的效果。 # 2. 问题定义 图不平衡问题：图中正样本和负样本数量不平衡，特别是在社交网络欺诈检测中，欺诈用户仅占所有用户的一小部分。这种不平衡会影响模型的判断和效果。 挑战：主要有两个挑战 ——1) 正节点周围负邻居过多，影响 GNN 的聚合效果；2) 正节点在所有节点中的比例过低，模型难以学习到有效的模式。 # 3....
4.6k words 4 mins.

# 检索增强生成（Retrieval-Augmented Generation，RAG） 是一种结合了信息检索和生成式模型的技术，旨在提高生成模型（如 GPT 等大语言模型）的回答准确性和信息丰富度。RAG 模型通过从外部知识库或文档集合中检索相关信息，来增强生成模型的能力，从而生成更加精确和上下文相关的回答。以下是 RAG 的主要概念和工作机制： # 1. 核心概念 检索模块：首先，RAG...
3.8k words 3 mins.

# GNN V: Vertex (or node) attributes E: Edge (or link) attributes and directions U: Global (or master node) attributes # How to express a graph? 图的邻接矩阵 Adjacency List：（2*N）的矩阵，2 表示 source 和 target 如何更新点的特征？ 考虑自身信息 考虑邻居节点信息 # 聚合方法 m=G(Wj∗xi:j∈Ni)m=G({W_j * x_i:j \in \mathcal...
6.1k words 6 mins.

# Self-attention An attention mechanism relating different positions of a single sequence in order to compute a representation of the sequence. Usually used in reading comprehension, abstractIve summarization, textual entailment and learning task-independent sentence representations. # Model...
2.3k words 2 mins.

# 阅读报告：Contrastive Learning for Sequential Recommendation 与 Self-Supervised Learning for Sequential Recommendation with Mutual Information Maximization # 1. 概述 本文综述了两种用于顺序推荐的自监督学习方法：对比学习用于顺序推荐（CL4SRec）和自监督学习用于顺序推荐（S3-Rec）。这两种方法旨在解决数据稀疏性问题，提高推荐系统的性能。CL4SRec 通过对比学习框架生成自监督信号，而 S3-Rec...