原创 一鍵登錄,或將成爲企業錯過5G紅利的阿喀琉斯之踵

5G互聯網時代倒計時 今年以來,5G概念及通信板塊在A股市場的表現堪稱不俗。截至4月,5G概念指數2019年累計上漲41.45%。 《2018年中國5G產業與應用發展白皮書》顯示,我國5G產業總體市場規模至2026年將達到1.15萬億元,

原创 《Graph Learning專欄》 : 高密子圖挖掘

本週我們介紹另一圖上的“聚類”算法—高密子圖挖掘(Dense Subgraph Mining),這類算法與社羣檢測不同的是處理的數據對象是異構圖(節點的類型不是單一的,同類型節點之間一般沒有邊),社羣檢測需要對整張圖的節點進行社區劃分,而

原创 《Graph learning》| 圖傳播算法(下)

上週發佈的《圖傳播算法(上)》中講了關於圖傳播算法的基本範式和PageRank算法,本文將延續上週的文章,繼續講解剩下的三個算法。2· HITSHITS(Hyperlink - Induced Topic Search)另一個典型的圖傳播

原创 極驗-四葉草安全達成戰略合作,共建聯合安全實驗室

近日,極驗攜手四葉草安全正式達成戰略合作,共建聯合安全實驗室。雙方將基於各自優勢資源,強強聯合,相互賦能,在安全領域展開深入的研究與合作,共享研究成果,提供更系統的安全整體解決方案,進一步提升雙方的安全服務能力。2017 年極驗交互安全行

原创 社區檢測與高密子圖挖掘(上)

前面我們說過圖的第二個優點是拉幫結派,在圖裏面是很容易形成團伙結構,近年來,研究這個問題的論文也是汗牛充棟。本章,我們就這一問題所衍生出來的兩個方向:社區檢測(Community Detection)和高密子圖挖掘(Dense Subgr

原创 論文分享 |《DeepCluster》

聚類(Cluster) 是一種經典的無監督學習方法,但是鮮有工作將其與深度學習結合。這篇文章提出了一種新的聚類方法DeepCluster,將端到端學習與聚類結合起來,同時學習網絡的參數和對網絡輸出的特徵進行聚類。作者將DeepCluste

原创 論文分享 |Jumping Knowledge Networks

本週介紹一篇 ICML2018 上關於 graph learning 的文章《Representation Learning on Graphs with Jumping Knowledge Networks》。 本文想探討的一個問題就是

原创 論文分享 | 可控筆觸的快速風格化遷移

風格遷移作爲深度學習藝術化工作的典範,各頂級會議上一直有相關論文發表,工業上也有很多面向C端用戶的產品。今天我們要介紹的一篇工作來自ECCV2018,解決的問題是如何在進行風格遷移的時候,對筆觸大小 (Stroke Size )進行控制。

原创 論文分享 | 輕量級網絡之mobilenet v1

卷積神經網絡廣泛應用在各種任務,比如圖像分類、目標檢測等,性能也越來越好,但都趨向於使用更深更復雜的結構來提升性能而不太關注計算代價,使得將這些模型直接部署在移動設備困難重重。本文針對傳統卷積計算量大的缺點,對傳統卷積模塊進行了改進,該結

原创 淺析圖卷積神經網絡

今天想和大家分享的是圖卷積神經網絡。隨着人工智能發展,很多人都聽說過機器學習、深度學習、卷積神經網絡這些概念。但圖卷積神經網絡,卻不多人提起。那什麼是圖卷積神經網絡呢?簡單的來說就是其研究的對象是圖數據(Graph),研究的模型是卷積神經

原创 論文分享:圖像轉換圖像

本週論文分享一篇關於圖像到圖像轉換的文章。圖像到圖像轉換任務的目的是希望學習到不同域之間的映射,以完成域之間的轉換。比如灰度圖--> 彩色圖,低分辨圖--> 高分辨圖等。這類任務存在兩個挑戰: 一、對齊的訓練數據少且難獲得,如對應的白天與

原创 Deep Learning | 理論太多?吶,實戰來襲!

關於新的技術專欄到底要寫什麼?這個問題困擾了我們的工程師很久。關於深度學習,網絡上有太多可以查閱的資料和文獻,只要大家肯學,從入門到精通,應有盡有。直到有一天,我們的AI技術交流羣中有位小夥伴提出,能不能分享一些實踐案例,讓有興趣和時間的

原创 極驗揭祕:你爲什麼搶不到房?

趁着金九銀十還沒來,今天研究個話題,你爲什麼搶不到房?很多人都會說,炒房團太兇,開發商心機,手太黑...... 這些的確有一定影響,但是並不是關鍵!今天要爆料的是下面這個:​隨着互聯網發展,房地產開發商也從傳統的售樓處轉戰網絡。線下黃牛黨

原创 《Graph Learning》| 圖傳播算法(上)

從本章開始,我們就會陸續講一些圖算法。本文首先給大家聊一聊圖傳播算法,對於圖傳播算法,並沒有確切的定義,但是這類算法都有着十分明確和統一的範式,理解了這一範式之後,就能迅速掌握此類算法。給定圖G={V,E},V表示節點集合,E表示邊集合,

原创 利用可視化方法直觀理解CNN

CNN模型雖然在各類任務上大放異彩,但一直以來都被詬病缺乏可解釋性。針對這個問題,過去幾年研究人員除了從理論層面去尋找解釋外,也提出了一些可視化的方法直觀地理解CNN的內部機理。本文主要介紹兩類方法,一種是基於Deconvolution,