写作的艺术——对照一篇文章的两种写法

掌舵的鱼1987 · 发表于 2023-2-26 11:54:07

负担必须抖

落日五湖W · 发表于 2023-2-26 11:55:01

哈哈，所以人家是 A Unified View，不是 A Unified Method

chwbn765 · 发表于 2023-2-26 11:55:29

[酷]

关儿1 · 发表于 2023-2-26 11:55:57

[附和]

子非鱼JXX · 发表于 2023-2-26 11:56:16

我感觉GLNN把GNN蒸馏到mlp上，最大的进献是在现实利用中，图的结构数据机关能够会更耗时，在现实工作中就会出现图的特征数据已经构建好了，可是邻接矩阵还在行列里排序呢，这就是GLNN里说的数据依靠性，图毗连数据获得提早。可是这个Nosmog方式在测试中也加入了位置编码特征。这让我感觉nosmog放弃了glnn最大的进献，去跟他纯真比结果。

蜜蜜ss2017 · 发表于 2023-2-26 11:57:07

邻接矩阵还在排序，这个可以细说一下？[思考]有论文么？

一品菊花茶酪 · 发表于 2023-2-26 11:57:58

没有论文，由于这个是我练习的时辰碰到的题目，我的营业是天天要发生图数据，对当天的图数据停止猜测，可是由于图结构数据sql使命设想比特征数据设想要复杂，所以需要的环节更多。致使的成果就是天天上午特征就做好了，可是一向要到早晨邻接矩阵才天生出来，才能猜测出来成果，还好营业对时候要求不敏感。

仙翁童子子os · 发表于 2023-2-26 11:58:06

所以在看到GLNN，论文摘要里提到图数据依靠性没有处理，以及intro的论文首要进献第一条说的就是消除了GNN推理进程中邻人获得提早。我就感觉这篇论文最重要的进献并不是涨点，而是怎样处理在推理进程中的图结构依靠题目，可是nosmog论文又把位置编码加了进来[捂脸]。

老三是叔叔 · 发表于 2023-2-26 11:58:22

确切，可是大师都是这么做的，也没啥法子。现在的Graph2MLP还是没有完全去掉edge信息的依靠。

刺客325 · 发表于 2023-2-26 11:59:15

嗯，搞科研跟做营业究竟是两回事。额外提一嘴，inductive的尝试设备是更接近现实营业的，究竟天天产出的数据都是新的，是之前没有见过的。可是在GLNN和nosmog中在inductive设备下结果提升都不是很明显。假如今后能有一个方式能真正处理图结构依靠题目，而且在inductive设备下表示很好，感受还是能挺大鞭策图算法在营业中的利用的。

		自动登录	找回密码
密码			立即注册