如何改变数字工作场所
|
图神经网络的缺陷 继神经网络在计算机视觉和自然语言处理领域的巨大成功之后，图神经网络被用来进行关系数据的预测。这些模型取得了很大进展，如 Open Graph Benchmark。新型 GNN 架构的许多设计思想是从语言模型(如注意力)或视觉模型(如深度卷积神经网络)中的新架构改编而来。但是，随着这些模型越来越复杂，理解其性能收益成为重要挑战，并且将这些模型扩展到大型数据集的难度有所增加。 新方法：标签信息 + 简单模型 而这篇论文研究了结合更简单的模型能够达到怎样的性能，并重点了解在图学习特别是在直推式节点分类中，有哪些提高性能的机会。 研究者提出了一个简单的 pipeline(参见图 1)，它包含 3 个主要部分：
将传统标签传播方法与简单模型相结合即在某些数据集上超过了当前最优 GNN 的性能，这是康奈尔大学与 Facebook 联合提出的一项研究。这种新方法不仅能媲美当前 SOTA GNN 的性能，而且参数量也少得多，运行时更是快了几个数量级。 图神经网络(GNN)是图学习方面的主要技术。但是我们对 GNN 成功的奥秘以及它们对于优秀性能是否必然知之甚少。近日，来自康奈尔大学和 Facebook 的一项研究提出了一种新方法，在很多标准直推式节点分类(transductive node classification)基准上，该方法超过或媲美当前最优 GNN 的性能。 这一方法将忽略图结构的浅层模型与两项简单的后处理步骤相结合，后处理步利用标签结构中的关联性：(i) 「误差关联」：在训练数据中传播残差以纠正测试数据中的误差;(ii) 「预测关联」：平滑测试数据上的预测结果。研究人员将这一步骤称作 Correct and Smooth (C&S)，后处理步骤通过对早期基于图的半监督学习方法中的标准标签传播(LP)技术进行简单修正来实现。
该方法在多个基准上超过或接近当前最优 GNN 的性能，而其参数量比后者小得多，运行时也快了几个数量级。例如，该方法在 OGB-Products 的性能超过 SOTA GNN，而其参数量是后者的 1/137，训练时间是后者的 1/100。该方法的性能表明，直接将标签信息纳入学习算法可以轻松实现显著的性能提升。这一方法还可以融入到大型 GNN 模型中。 有一点要格外注意，目前运营商都作了限制，老用户只能「低改高」，不能「高改低」，套餐资费变贵或者 4G 升 5G 可以，变便宜或者改回 4G 是不行的，除非换新卡号或走极其麻烦的程序。 而现在每个人的手机号都绑定了大量银行卡和 app，换绑手机号是一件非常麻烦的事，运营商这么做也是在赌用户不敢轻易换号。 目前要不要换 5G 套餐，我们觉得还是要看个人或者家庭的需求，也要重点考虑当地 5G 基站的铺设情况。如果你是 4G 低资费不限流量套餐，或者之前申办了 6 元/月的互联网合作套餐，建议观望一下。
如果你对更高的网络速率有特别急迫的要求，可以选择一个合适的 5G 套餐尝试，当然，有所得，必有所失，资费上升和手机续航下降等问题都有可能出现。 而且在部分 5G 手机上，我们也发现了一些问题。最明显的是打开 5G 后，手机会主动搜索 5G 信号， 在 5G 信号不够好的地方，手机会在 5G 和 4G 信号间反复跳跃，或多或少降低了手机续航时间，我们推测可能是因为目前 5G 基站覆盖还不够的原因。
有意思的是，我们发现把 4G 卡插到 5G 手机里，蜂窝网络速率也会有明显的提升，所以有点疑惑，5G 的关键到底在于手机还是手机套餐? （编辑：南昌站长网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
