原文：[1811.05869] Large-scale Interactive Recommendation with Tree-structured Policy Gradient 解决交互式推荐系统 (Interactive Recommender Systems, IRS) 中可推荐的物品（例
发布于 2025-09-02
参考： https://nndl.github.io/ 【Bias Variance Decomposition 偏差-方差分解 详解】 https://www.bilibili.com/video/BV1Cu411w7o5/?share_source=copy_web&vd_source=0261
发布于 2025-02-17
原文：[2411.12558] Recall and Refine: A Simple but Effective Source-free Open-set Domain Adaptation Framework RRDA的流程。与忽略未知类语义的传统方法不同，RRDA通过从预测目标特征中为已知类别
发布于 2025-02-17
原文：[2410.19265] A Survey of Deep Graph Learning under Distribution Shifts: from Graph Out-of-Distribution Generalization to Adaptation Reading list: G
发布于 2024-12-25
一个简单的入门尝试 数据的获取 以同花顺软件为例，进入上证指数或者你选择的个股页面，在分时走势这一列切换到日走势（这决定了之后获取的数据时间间隔）： 然后按 F1 进入如下界面（按 F3 可切回走势页面）：
发布于 2024-12-08
原文：Rethinking Propagation for Unsupervised Graph Domain Adaptation | Proceedings of the AAAI Conference on Artificial Intelligence 文章考虑的是无监督图域适应问题（UGD
发布于 2024-12-07
参考：《迁移学习导论（第二版）》 迁移学习问题考虑源域和目标域存在不同的分布：P_s(\boldsymbol{x},y)\ne P_t(\boldsymbol{x},y) 显然由于目标域标签不可获取无法直接去衡量这种联合分布的差异，所以根据
发布于 2024-12-04
原文：Open-Set Graph Domain Adaptation via Separate Domain Alignment | Proceedings of the AAAI Conference on Artificial Intelligence 考虑如图的闭集和开放集图域适应之间的问题
发布于 2024-11-17
原文：Beyond the Known: Novel Class Discovery for Open-World Graph Learning | SpringerLink 例子：在学术图上展示开放世界学习的新颖类发现的插图。节点代表论文，边代表引用关系，每篇论文属于某个研究领域（节点类）。 构成
发布于 2024-10-30
