莆系医疗网站建设自己有服务器怎么搭建网站

当前位置： 首页 > news >正文

莆系医疗网站建设,自己有服务器怎么搭建网站,如何网页制作,推广网站的网址和网鱼相匹配点击蓝字 关注我们 AI TIME欢迎每一位AI爱好者的加入#xff01; 点击 阅读原文 观看作者直播讲解回放#xff01; 作者简介 孙浩鑫#xff0c;复旦大学博士生#xff0c;主要研究方向为大规模图上快速算法设计。 概述 森林矩阵在网络科学、观点动力学和机器学习相关应用中… 点击蓝字 关注我们 AI TIME欢迎每一位AI爱好者的加入 点击 阅读原文 观看作者直播讲解回放 作者简介 孙浩鑫复旦大学博士生主要研究方向为大规模图上快速算法设计。 概述 森林矩阵在网络科学、观点动力学和机器学习相关应用中扮演着至关重要的角色深刻刻画了网络的结构信息与内在联系。在本文中我们研究了在演化中的图与静态图相比更准确地代表了现实世界网络的动态特性中查询森林矩阵元素的问题。为了应对演化图所带来的独特挑战我们首先为静态图中森林矩阵元素查询提出了两种近似算法SFQ和SFQPlus。SFQ采用了森林矩阵的概率解释而SFQPlus则结合了一种新颖的方差减少技术我们理论证明了SFQPlus拥有更小的方差因而可以提供更高的精确度。基于这两种算法我们进一步设计了两种动态算法这些算法的核心是高效地维护一系列带根的生成森林列表。这种方法确保了更新包括边的添加和删除以及查询矩阵元素的运行时间复杂度为并且提供了森林矩阵元素的无偏估计。最后通过在各种真实世界网络上进行广泛的实验我们证明了我们算法的效率和有效性。特别是我们的算法可以扩展到拥有超过四千万个节点的大规模网络中。 论文地址https://dl.acm.org/doi/10.¹¹⁴⁵⁄_3637528.3671822 AITIME 01 Background 本文首先定义了森林矩阵Ω它是单位矩阵I与拉普拉斯矩阵L和的逆矩阵。拉普拉斯矩阵L由图的度矩阵D减去邻接矩阵A得到。森林矩阵在有向图中的元素值介于0到1之间且每行元素之和为1表现为行随机矩阵。其对角元素在网络分析中作为森林中心性指标具有特别意义已经有研究深入探讨了森林中心性的性质与应用。其非对角元素则可用来衡量两点之间“距离”的远近也有重要意义。 除此之外在采用数学建模刻画社会观点的传播与扩散时森林矩阵在Friedkin-Johnsen(FJ)模型中被视为核心矩阵。该模型是观点动力学领域的著名模型曾被用来解释巴黎协定达成共识的过程。然而鉴于社交网络等现实世界的网络不断变化本文关注于在不断演化的图上面提出快速查询森林矩阵元素的方法以适应网络的动态特性。 AITIME 02 Contributions 该研究的贡献主要体现在两个方面首先在静态图领域研究者提出了森林矩阵元素的概率解释并开发了两种快速算法SFQ和SFQ其中SFQ算法通过引入创新的方差减少技术实现了性能上的显著提升。其次针对演化图研究者专注于边的插入和删除操作因为节点的插入和删除可以看成一系列连续的边的增删操作。为此作者设计了一种策略利用特定的内存数据结构存储图信息并在图更新时快速调整该结构以实现在O(1)时间内快速更新和查询所需元素。 AITIME 03 Spanning Converging Forest 作者首先介绍了带根生成森林的概念并解释了为何称之为森林矩阵原因在于该矩阵的元素与图上的带根生成森林紧密相关。 随后研究者阐释了带根生成树的定义它是一个连通图且形态为树具有一个特定的根节点该节点的出度为0而树中其他所有节点的出度均为1。带根生成森林由多个这样的连通分支组成每个分支都是一棵以特定节点为根的树。 例如通过观察提供的图示可以看到左侧的图是一个包含五个顶点和多条边的小型图。而右侧的图则展示了该图中的一棵生成森林其中三节点和五节点被选为根节点而图中的其他节点则是森林中的普通成员。 AITIME 04 Sampling Algorithm SFQ 作者通过矩阵森林定理阐释了森林矩阵元素的含义它代表在均匀生成的带根生成森林中节点i的根为节点j的概率。为了生成这样的均匀带根生成森林研究者采用了Wilson算法的扩展版本Wilson提出的原始的算法可以返回一个给定根节点的生成树这里作者使用了它的拓展版本用于生成带根生成森林。左侧的图示展示了这一过程的起始步骤。 AITIME 05 Static Graphs– SFQ 在前面的图中作者通过新增一个第6个顶点x并在原图中加入五条指向新节点x的新边这样生成了拓展图。接着使用Wilson算法生成了一个以x为根的生成树。第三步删除了新顶点x及其指向它的边从而获得了一个均匀的带根生成森林。这种方法具有O(n)的时间复杂度适用于大规模网络并且支持并行处理能够在多个核上同时运行显著提高了效率。 作者提出了一种基础算法称为SFQ算法。该算法在查询时基于已采样的l个森林计算节点的根为节点的概率。SFQ算法的时间复杂度为O(l)这表明它在处理查询时效率较高。 AITIME 06 Static Graphs– SFQPLUS AITIME 07 Algorithms SFQ and SFQPLUS 作者在静态图上提出了两种算法SFQ和SFQ Plus。SFQ算法首先利用了威尔逊算法的扩展和矩阵森林定理并且提供了一个无偏估计。而SFQ Plus算法由于聚合了更多的信息不仅保持了无偏估计的特性还拥有比SFQ更小的方差从而提供了更优的结果。简而言之研究者提出的第二个算法SFQ Plus在性能上超越了最初的SFQ算法。 AITIME 08 Evolving Graphs AITIME 09 Edge Insertions AITIME 10 Edge Deletions 具体而言对应下列算法的中的第二行-第九行。 AITIME 11 Pruning Technique AITIME 12 Experiments 本文的算法通过一系列实验验证了其性能结果表明该算法能够高效地处理大规模网络例如在推特网络上算法能够顺利处理达到四千万节点的图且运行过程中没有出现问题。这展示了算法在处理大规模数据集时的稳定性和可靠性。 森林矩阵的对角元有重要意义可用于衡量节点的中心性。作者首先对算法的对角元精度进行了测试发现以平均相对误差为衡量标准相较于SFQ算法提出的SFQPlus算法精度有显著提高。作者在演化图与静态图上都进行了实验发现算法在演化图上的误差高于静态图这可能是由于生成森林数量增加导致相关性增强使得误差随迭代次数增长。这一现象指明了未来研究需要关注的优化方向。 同时常数时间的复杂度使得算法在查询和更新速度上表现出色无论是在中小规模网络还是在拥有千万节点的大规模网络。如下表格展示了当网络节点规模达到千万级别当前最优秀的图求解器算法也无法在短时间内返回查询结果而本文提出的算法则可以在极短时间内返回结果。 本篇文章由陈研整理 点击  阅读原文 观看作者直播讲解回放 往期精彩文章推荐 论文解读 | ACL2024 Outstanding Paper因果指导的主动学习方法助力大语言模型自动识别并去除偏见  关于AI TIME  AI TIME源起于2019年旨在发扬科学思辨精神邀请各界人士对人工智能理论、算法和场景应用的本质问题进行探索加强思想碰撞链接全球AI学者、行业专家和爱好者希望以辩论的形式探讨人工智能和人类未来之间的矛盾探索人工智能领域的未来。 迄今为止AI TIME已经邀请了1800多位海内外讲者举办了逾600场活动超700万人次观看。   我知道你 在看 提出观点表达想法欢迎 留言 点击 阅读原文 观看作者直播讲解回放