Dynamic networks | 动态网络
Dynamic networks reveal key players in aging 系统生物学中的网络分析 网络的拓扑结构：topological properties， 网络的度：whole network connectivity (degree)，节点度是指和该节点 ...
原文：利用CNN-LSTM学习有效子图进行动态网络链路预测
Dynamic Network Link Prediction by Learning Effective Subgraphs using CNN LSTM 摘要：现有的方法大多涉及整个网络和目标环节，这导致高计算成本。本文旨在通过使用深度学习方法提出一个新的框架来解决这些问题。DLP LES使用基于公共邻居的目标链路子图，并学习给定动态网络的过渡模式。此外，我们的模型引入了新的机制来降低计算成本 ...
2020-12-01 17:50 0 592 推荐指数：
相关推荐
动态网络社团检测学习笔记 --- 随机块模型小结之随机块模型简介
随机块模型是随机图的生成模型，用于生成图结构。该模型针对无向无权网络有以下两个假设： 每个节点都会有且仅有一个社团归属 每条边的生成只与两个节点所在的社团有关 网络中社团个数固定为K 模型认为对于一个节点，我们要先确定节点的社团归属，确定好后再确定其与自己所在社团以及其他社团 ...
动态网络社团检测学习笔记 --- 随机块模型小结之简介
网络科学起源于18世纪，著名的哥尼斯堡七桥问题就是复杂网络学科的起源，所以欧拉可以说是复杂网络研究的鼻祖（扯远了）。而复杂网络也是一门交叉学科，其研究者所在领域包括概率统计学科，计算生物学科以及计算机学科等。 在复杂网络分析中，社团检测（community detection）就是其重要的任务 ...
利用CNN进行人脸年龄预测
很久之前做的东西了，最近做了一个人脸相似度检测，里面用到了这里的一个模型，所以抽个空把人脸年龄检测的思路总结一下。 与其他CNN分类问题类似，人脸年龄预测无非就是将人脸分为多个类别，然后训练卷积神经网络，最后利用训练好的卷积神经网络进行分类即可。 但是在人脸年龄分类方面，有几个比较 ...
深度学习笔记（一） tf.keras 构建lstm神经网络进行时间序列预测
简介：长短期记忆人工神经网络（Long-Short Term Memory, LSTM）是一种时间递归神经网络(RNN)，论文首次发表于1997年。由于独特的设计结构，LSTM适合于处理和预测时间序列中间隔和延迟非常长的重要事件。 目的：学会使用tf.keras构建lstm神经网络进行 ...
使用tensorflow的lstm网络进行时间序列预测
/78852816 这篇文章将讲解如何使用lstm进行时间序列方面的预测，重点讲lstm的应用，原理部分 ...
使用TensorFlow的递归神经网络（LSTM）进行序列预测
本篇文章介绍使用TensorFlow的递归神经网络（LSTM）进行序列预测。作者在网上找到的使用LSTM模型的案例都是解决自然语言处理的问题，而没有一个是来预测连续值的。 所以呢，这里是基于历史观察数据进行实数序列的预测。传统的神经网络模型并不能解决这种问题，进而开发出递归神经网络模型，递归 ...
Python代写利用LSTM模型进行时间序列预测分析 - 预测爱尔兰的电力消耗
原文链接：http://tecdat.cn/?p=6663 此示例中，神经网络用于使用2011年4月至2013年2月期间的数据预测都柏林市议会公民办公室的能源消耗。 每日数据是通过总计每天提供的15分钟间隔的消耗量来创建的。 LSTM简介 LSTM（或长期短期存储器网络）允许分析具有长期 ...