知识图谱旨在描述现实世界中存在的实体以及实体之间的关系.自2012年谷歌提出“Google Knowledge Graph”以来，知识图谱在学术界和工业界受到广泛关注.针对教育领域中信息缺乏系统性组织的不足，本文构建了面向高中的教育测评知识图谱（Educational Assessment Knowledge Graph，EAKG），其中EAKG的构建包括基于本体技术的知识图谱模式层构建和依托于模式层结构的知识图谱数据层构建.与传统通过网页爬虫等技术手段构建的知识图谱相比，本文构建的知识图谱优点在于逻辑结构清晰，实体间关系的刻画遵循知识图谱模式层的定义.EAKG为领域内知识共享，知识推理，知识表示学习等任务提供了良好的支撑.在真实模考数据上的实验结果表明：在试卷得分预测，知识点得分预测的实体链接预测和三元组分类嵌入式表示学习任务上，引入领域本体作为模式层构建的EAKG的性能优于没有领域本体模式层单纯由数据事实构成的EAKG，实验表明，领域本体的引入对知识图谱的表示学习具有一定的指导意义.

从宏观角度介绍了RL4KG，可以让初学者迅速掌握表示学习的概念和要义。

刘知远 - 知识表示学习研究进展，包括知识表示，表示学习，知识图谱

可解释性是当前AI研究的热点之一。伦敦大学学院Pasquale Minervini博士在可解释AI研讨会做了关于可解释高效可验证表示的报告《Back to Seminars Explainable, Verifiable, Relational Representation Learning from Knowledge Graphs》，共62页PPT，涵盖知识图谱中链接预测，以及可解释可验证表示学习机制。

用于语义分割的高分辨率网络（HRNets） 分行 这是HRNet + OCR的实现。 可以找到PyTroch 1.1版本。 PyTroch 0.4.1版本可。 消息 [2021/02/16]基于预训练权重，我们在Cityscapes val上达到83.22％ ，在PASCAL-Context val（新SOTA上）达到59.62％ ，在COCO-Stuff val（新SOTA上）达到45.20％，在58.21％上达到LIP值和ADE20K值的47.98％ 。 请查看了解更多详细信息。 [2020/08/16] 已支持我们的HRNet + OCR。 [2020/07/20]来自AInnovation的研究人员通过使用半监督学习方案训练我们的HRNet + OCR在上获得了排名第一。 更多详细信息，请参见他们的。 [2020/07/09]我们的论文被ECCV 2020：。 值得注意的

消息 已经两个月了，我想我终于找到了Simsiam / BYOL避免使用停止梯度和预测变量来避免崩溃解决方案的真正原因！！！ 在上关注我，敬请期待！ SimSiam Chenxinlei和He Kaiming的《一文的PyTorch实现 依存关系 如果您没有python 3环境： conda create -n simsiam python=3.8 conda activate simsiam 然后安装所需的软件包： pip install -r requirements.txt 运行SimSiam CUDA_VISIBLE_DEVICES=0 python main.py --data_dir ../Data/ --log_dir ../logs/ -c configs/simsiam_cifar.yaml --ckpt_dir ~/.cache/ --hide_progress

用matlab生成谐波代码 CoMIR：合作ntrastive中号ultimodal我法师[R epresentation为注册框架 :framed_picture: 通过深度学习以不同的方式配准图像配准 :robot: ，，，，，和 NeurIPS 2020论文代码： 目录 介绍 是在同一坐标系中对齐多个图像的过程。 与使用每个单独的图像相比，这对于提取更多信息很有用。 我们执行严格的多峰图像配准，即使每个图像中的信息完全不同，我们也可以成功对齐来自不同显微镜的图像。 以下是来自两个不同显微镜（亮场和二次谐波产生）的三个图像配准： 该存储库使您可以访问执行以下操作所需的代码： 训练一个神经网络，以在一个公共的潜在空间中转换图像。 注册在公共潜在空间中转换的图像。 它是如何工作的？ 我们结合了最先进的人工神经网络（），将输入图像转换为潜在空间表示，并为CoMIR洗礼。 CoMIR经过精心设计，可以借助经典的注册方法进行调整。 下图描述了我们的管道： 论文的主要发现 :chart_decreasing: 可以在训练过程中使用对比学习并整合等方差约束。 :framed_picture: 使用经典配准方法可以成功地对CoMIR进行对齐。 :cyclone: CoMIR是旋转等变量（）。 :robot: 使用GAN生成跨模态

马里奥matlab代码域对抗神经网络（浅层实现） 此python代码已用于进行以下JMLR论文的第5.1节中介绍的实验。 Yaroslav Ganin，Evgeniya Ustinova，Hana Ajakan，Pascal Germain，Hugo Larochelle，FrançoisLaviolette，Mario Marchand和Victor Lempitsky。 神经网络领域专业训练。 机器学习研究杂志，2016。 内容 DANN.py包含学习算法。 fit()函数是本文算法1的非常简单的实现。 experiments_amazon.py包含在Amazon情感分析数据集上执行的示例（文件夹data包含数据集文件的副本）。 计算目标测试风险（请参见论文表1）和Proxy-A-Distance （请参见论文图3）。 experiments_moons.py包含用于生成本文图2的代码（关于相互缠绕的月亮玩具问题的实验）。 mSDA.py包含用于生成mSDA表示的函数（这些是Chen et al。（2012）Matlab代码的文字翻译）

网络表示学习 重新实现了四种网络表示学习算法 ，根据腾讯微博数据集评估，AUC：0.7548 ，对腾讯微博数据集进行评估，AUC：0.7608 ，在腾讯微博数据集上评估，AUC：0.7553 ，对Cora数据集进行评估，预测准确性：0.805 用法 转到源目录，使用以下命令运行： python3 deepwalk_for_tencent.py [or line_for_tencent.py, node2vec_for_tencent.py, grarep_for_cora.py] 要求 麻木 科学的 网络x Gensim 火炬 scikit学习

InfoDrop 代码对我们的报纸由 ， ，，，，，ICML2020。 此仓库包含以下代码 域泛化 少拍分类