随机图上的流行病 介绍 这里的代码旨在模拟的疾病爆发。 包含的功能可以通过可修改的部署将通过疫苗的干预措施纳入进来。 注意：此项目已被所取代。 目录 基本信息 我们用一个经典的随机图G（n，p_adj）建模一个简单的社交网络，该图由n个节点组成，其中任意两个节点的连接概率为p_adj。 一个随机选择的节点感染了病毒V（p_inf，tau），成为零号患者。 在一个时间步中，每个受感染的节点以p_inf的概率将病毒传播到其每个连接的节点。 节点从感染中恢复的预期时间步长为tau。 为了数学上的方便，我们忽略了生命动力学，并假设网络中没有出生或死亡。 有关更多信息，请阅读相应的论文上的 。 用法 可以使用带有命令行参数的simRGSIR来运行大多数核心功能。 前六个命令行参数是： 人口：要模拟的节点数。 p_adjacent ：连接两个节点的概率。 p_infect ：感染者在一个时

R Graphs Cookbook.pdf

游戏寻路算法

几何深度学习

知识图谱KGC是一个世界级会议，将有经验的实践者、技术领导者、前沿研究人员、学者和供应商聚集在一起，就知识图的主题进行为期两天的演讲、讨论和网络交流。KGC2021在5月3号到6号举行。来自加拿大CortAIx 首席人工智能科学家Freddy Lecue做了关于《知识图谱在可解释机器学习系统中应用》的报告，特别对可解释人工智能以及知识图谱在可解释机器学习中的作用进行了重点讲述，是非常好的学习资料。 报告摘要： 机器学习(ML)，作为人工智能的关键驱动力之一，已经在许多行业显示出颠覆性的结果。在关键系统中应用ML(尤其是人工神经网络模型)最根本的问题之一，就是它无法为其决策提供依据。主要是因为常识知识或推理超出了ML系统的范围。我们展示了如何运用知识图谱来揭示更多人类可以理解的机器学习决策，并展示了一个框架，将ML和知识图谱结合起来，在识别4,233,000个资源的知识图谱中的任何一个类的对象时，展示出一个接近人的解释。

LFR benchmark graphs生成程序，由Santo Fortunato提供，后经他人在Windows下的编译环境中重新编译了一下，还生成了可执行文件，并在此基础上生成了三个示例网络（都在Debug文件夹中）。现在将所有东西都放出来，大家各取所需，想要研究生成算法的，有工程文件和所有源码；想要直接生成网络的，可以直接使用其中的可执行文件（具体使用方法见ReadMe）；如果想直接使用网络数据的，Debug中也有。

每秒事务数，性能测试中，最重要的2个指标之一。该插件的作用是在测试脚本执行过程中，监控查看服务器的TPS表现；比如整体趋势、实时平均值走向、稳定性等。

Understanding Users with Knowledge--Sumsung Graphs

concurrency graphs and models

ModularGraphs-RL 回购一个行为和EEG实验，在该实验中，我们研究了基于模块化图形结构的分层决策的特征。