- 综合排序
- 最热优先
- 最新优先
- 来自专栏图与推荐
【知识图谱系列】动态时序知识图谱EvolveGCN
本篇分享知识图谱落地时另一重要场景：动态时序知识图谱，下面先给出动态时序知识图谱的基本概念，方便还不熟悉的同学有一个更好的理解。 由于这种关系网络会随着时间推移，实体以及实体间的关系会不断变化，为了全面获取知识，搭建动态知识图谱，在知识图谱数据中加入时间维度，利用时序分析技术和图相似性技术，分析图谱结构随时间的变化和趋势，从而掌握到关键信息 比如金融动态知识图谱，学习到图谱间的时序信息便显得十分重要，本篇便介绍AAAI 2020的一篇解决动态图谱的模型EvolveGCN，EvolveGCN思路较为创新但不是目前SOTA的方案，之后会陆续分享 TGAT此类解决动态时序图谱的方案。 ，而节点之间的关系存在变动； 2、为了考虑动态图谱联系，用RNN将每个时间片GCN模型参数串起来进行序列学习 3、RNN循环网络采用两种：GRU，LSTM ?
5.7K32发布于 2020-12-29 - 来自专栏生物信息学、python、R、linux
monocle 2拟时序分析
monocle做拟时序分析首先要构建CDS需要3个矩阵：expr.matrix、pd、fd，其次将Seurat中的对象转换为monocle识别的对象。 然后选择想要做拟时序依据的基因就可以了,如果已知开始和结束的细胞，将过程开始时收集的细胞与结束时收集的细胞简单地进行比较，并找到差异表达的基因，做拟时序依据的基因，根据时间点的差异分析选择基因通常非常有效 ：expr.matrix、pd、fd # 将Seurat中的对象转换为monocle识别的对象 #cds <- importCDS(GetAssayData(seurat.object)) #选择做拟时序的亚群 Mono_tj<-subset(seurat.object, idents = c(1,2,4,6,7)) Mono_matrix<-as(as.matrix(GetAssayData(Mono_tj unsup_clustering_genes$gene_id) #用DDRtree 进行降维分析 Mono.cds <- reduceDimension( Mono.cds, max_components = 2,
2.3K10发布于 2020-04-01 - 来自专栏专知
【论文推荐】最新六篇知识图谱相关论文—全局关系嵌入、时序关系提取、对抗学习、远距离关系、时序知识图谱
【导读】专知内容组整理了最近六篇知识图谱（Knowledge Graph）相关文章，为大家进行介绍，欢迎查看! 1. 期刊：arXiv, 2018年4月20日 网址： http://www.zhuanzhi.ai/document/d414a76c4b97a6c3c04e89e5c79cf28e 2. 3.Improving Temporal Relation Extraction with a Globally Acquired Statistical Resource（利用全局获得的统计资源改善时序关系提取 期刊：arXiv, 2018年4月17日 网址： http://www.zhuanzhi.ai/document/0f06d52ab1185faaf2f85cfdc70f1c76 4.KBGAN: d0062d1b0b884311f9141d9db22bb1c3 6.EventKG: A Multilingual Event-Centric Temporal Knowledge Graph（EventKG:一个多语言以事件为中心的时序知识图谱
1.3K30发布于 2018-06-05 - 来自专栏AI科技大本营的专栏
抗击新冠肺炎，如何进行实时动态时序图谱建模与分析？
使用技术 本文使用图特摩斯科技自研的国内首个时序图谱平台AbutionGraph作为技术支撑，主要技术突破点为：静态图+动态图+时序图+多维的存储形式。 与普通图存储的技术区别 在建模前，我们有必要先来理解一下多维、动态、时序这些在图谱存储中的新概念。 1）“一维”图谱和“多维”图谱的区别 一维图谱： ? 2）“静态”、“动态”及“时序”图谱的区别 假定场景：实时统计每个人之间的交易总金额。 1.静态图谱： ? 静态图谱+动态图谱是AbutionGraph特有形式，即可以保持历史数据不变，又可无需人为干预实时根据历史数据统计出指标。 4.时序图谱： ? 实体“省份”数据（2维）： 1.省总患者统计（动态）：确诊总数、疑似总数、严重患者总数、轻症患者总数等 （数据 来自市医院医护实时汇报等） 2.省每日新增患者统计（时序）：确诊总数、疑似总数、严重患者总数
1.1K10发布于 2020-02-24 - 来自专栏明丰随笔
运行时序列化 2
你的类型通过实现ISerializable接口，也能支持运行时序列化，该接口定义如下： public interface ISerializable { ///
Populates Product { Name = "Hello" }; formatter.Serialize(stream, product); stream.Position = 0; var product2 2. 某类型一旦实现ISerializable接口，便不能删除它，否则会失去与派生类型的兼容性。所以密封类实现ISerializable接口是最让人放心的。 3. myDerived = new MyDerived(); formatter.Serialize(stream, myDerived); stream.Position = 0; var myDerived2 = (MyDerived)formatter.Deserialize(stream); 文章回顾： 实现ISerializable接口，也能支持运行时序列化 特殊的构造器可以把数据流反序列化到对象 ISerializable 71820发布于 2019-07-17 - 来自专栏生信技能树
monocle2拟时序实战细节剖析（拟时序一本通04）
前面我们提到了目前绝大部分单细胞转录组数据分析相关文章都不约而同的使用了monocle2这个软件来做拟时序分析，但是并不意味着它是金标准，也不意味着非monocle2不可。 这个纯粹就是生物信息学领域的“马太效应”，大家都用monocle2做拟时序，所以后来者就简单的追随即可，而且绝大部分人其实并不关心算法细节，仅仅是为了做拟时序而做，那么就无所谓选择哪个软件了。 但是，测评归测评，最终大家还是得使用monocle2做拟时序分析，所以不得不把重点放它的细节剖析上面，我们后面也会介绍一下其它软件和方法： monocle3拟时序实战 SCORPIUS Slingshot 创造一个函数包装monocle2的拟时序分析 前面在为什么做拟时序 （展示差异细节）我们简单的演示了如何做一个极简的使用monocle2包的拟时序分析 ，就是构建好对象后的挑选基因，降维，排序这3个步骤即可 去除淋巴细胞之后的拟时序 看第一群CD14单核细胞和CD16单核细胞拟时序关系 seurat = readRDS('2-harmony/sce.all_int.rds') seurat$celltype
3.2K20编辑于 2024-03-26 - 来自专栏MyBlog
时序数据异常检测(2)指数平滑方法
上文我们使用LOF-ICAD方法实现了时序数据的异常检测, 这次我们介绍一种更为常见的方法-------指数平滑. 首先我们介绍一下一阶指数平滑的算法 一阶指数平滑算法 这里给出一些符号的定义: 序列长度记为n, 参数记为α(指数平滑算法只有一个参数) 时序序列的定义: ? 时序数据序列 拟合序列的定义: ? 拟合数据序列 对于一阶指数平滑而言 ?
1.4K10发布于 2018-09-13 - 来自专栏全栈程序员必看
i2c时序图的详细讲解
i2c简易时序图 启动信号： SCL为高电平的时候，SDA由高电平向低电平跳变。结束信号：SCL为高电平的时候，SDA由低电平向高电平跳变。 启动信号与停止信号的时序图如下图所示： 数据位发送： 在I2C总线上传送的每一位数据都有一个时钟脉冲相对应（或同步控制），即在SCL串行时钟的配合下，在SDA上逐位地串行传送每一位数据。 时序如下图所示 应答信号时序图如下图所示： 当进行一次写时序的时候，SDA上的数据变化的时序图如下： 当进行一次读的时候，SDA上的数据变化的时序图如下： i2c协议中的数据传输时序图如下 ： I2C总线信号时序总结 总线空闲状态 I2C总线总线的SDA和SCL两条信号线同时处于高电平时，规定为总线的空闲状态。 停止信号也是一种电平跳变时序信号，而不是一个电平信号，停止信号也是由主控器主动建立的，建立该信号之后，I2C总线将返回空闲状态。
18.6K20编辑于 2022-07-29 探索ImmGen:2-T细胞综合图谱
基本介绍 immgen T 开源项目”联合41个实验室，绘制了包含62万余个细胞的小鼠T细胞综合图谱，整合多组学数据揭示了8大类及114个亚群，旨在全面解析T细胞在不同组织和免疫亚群的多样性。 小鼠T细胞综合图谱包括在单细胞水平上进行分析，整合mRNA测序、表面蛋白表达（CITE-seq/TotalSeq）和TCR-V测序（配对α/β链）。 样本信息：包含多个Cluster（如Cluster 1, 2, 3, 4, 5, 7, 9, 10, 12, 13, 14, 15, 16, 17, 18, 20, 21, 22, 23, 25, 28 All（相对于所有细胞） 2. Cluster 1 vs. 单细胞Treg细胞亚群交互模块 Rosetta2浏览器浏览单细胞数 1.在这个界面，选择不同细胞亚群或者不同数据集中单细胞数据，可以在2处进行搜索，3处进行单个数据集的进一步分析。 2.
18110编辑于 2026-01-27- 来自专栏磐创AI技术团队的专栏
知识图谱与机器学习｜KG入门 -- Part2 建立知识图谱
目标 建立了知识图谱理论的基础和讲解如何构建一个知识图谱 细节 解释与企业相关的知识图谱的概念 给出构建成功的企业知识图谱一些建议 展示知识图谱的例子 主要理论 Data Fabric中的fabric是由一个知识图谱构建的 是由知识图谱构成的对象。就像在爱因斯坦的相对论中，时空的连续体(或离散体?)构成了fabric，而在这里，当你创建一个知识图谱时，fabric就形成了。 为了构建知识图谱，你需要链接数据。 第二节 创建一个成功的企业知识图谱 ? 不久前Sebastien Dery写了一篇关于知识图谱挑战的有趣文章。 这是知识图谱形成的方式，也是我们使用本体和语义链接数据的方式。 那么，我们需要什么来创建一个成功的知识图谱呢? 金融机构知识图谱: ?
1K50发布于 2019-08-06 - 来自专栏全栈程序员必看
uart 时序_8080接口时序
可以是1位、1.5位、2位的高电平 空闲位： 处于逻辑1状态， 表示当前线路上没有资料传送 uart接口的时序分析 1、串行数据的格式 异步串行数据的一般格式是：起始位+数据位+停止位， 其中起始位1 位，数据位可以是5、6、7、8位，停止位可以是1、1.5、2位。 （先传第一个字节55，再传第二个字节aa，每个字节都是从低位向高位逐位传输） 图1 TTL电平的串行数据帧格式（55aah） 图2 RS-232电平的串行数据帧格式（55aah） 2、根据波形图计算波特率 RS-485发送数据时的正确时序如图4所示。 图4 RS-485的正确发送数据时序 在图4中，发送控制信号的宽度基本与数据信号的宽度一致，所以能保证发送数据的正确和发送后及时转为接收。 图5 RS-485控制信号太短时的时序 图6 RS-485控制信号太长时的时序 在图5中，由于控制信号关闭过早，则第二个字节的后两位将发送错误；在图6中，由于控制信号关闭过迟，使485芯片在发送数据后
2.1K20编辑于 2022-10-05 - 来自专栏科学计算
FPGA时序约束理论篇之时序路径与时序模型
时序路径 典型的时序路径有4类，如下图所示，这4类路径可分为片间路径（标记①和标记③)和片内路径（标记②和标记④）。 ? 对于所有的时序路径，我们都要明确其起点和终点，这4类时序路径的起点和终点分别如下表。 时序模型 典型的时序模型如下图所示，一个完整的时序路径包括源时钟路径、数据路径和目的时钟路径，也可以表示为触发器+组合逻辑+触发器的模型。 ? 保持时间比较难理解，它的意思是reg1的输出不能太快到达reg2，这是为了防止采到的新数据太快而冲掉了原来的数据。保持时间约束的是同一个时钟边沿，而不是对下一个时钟边沿的约束。 ? reg2在边沿2时刻刚刚捕获reg1在边沿1时刻发出的数据，若reg1在边沿2时刻发出的数据过快到达reg2，则会冲掉前面的数据。因此保持时间约束的是同一个边沿。 ?
1.6K40发布于 2020-06-30 - 来自专栏小数志
Python中的时序分析工具包推荐（2）
导读 在前期推文Python中的时序分析工具包推荐（1）中介绍了时序分析的三个工具包，分别侧重于时序特征工程、基于sklearn的时序建模和更为高级的时序建模工具。 这是一个由Facebook在2017年研究设计的时序分析工具，主要定位就是用于时序预测，如果按照时序预测的几种主流建模方式来加以区分的话，那么Prophet应当属于统计学模型流派。 就时序预测和异常检测两类时序分析任务而言，Merlion既支持单变量也支持多变量的时序分析，而且还支持了模型融合（Ensemble）以及AutoML能力（可以理解为带有模型选择和自动调参功能的时序建模） 但二者的主要区别也很明显，主要可概括如下： Merlion支持的时序分析任务包括时序预测和异常检测；而Darts仅聚焦于时序预测问题； Merlion支持的模型主要是统计学模型和传统机器学习模型，而Darts ，而GluonTS则是Gluon生态中用于实现时序建模的一个工具包，更确切的说是一个基于深度学习的概率时序模型工具，至于时序分析任务也是都支持时序预测和异常检测任务。
1.9K30编辑于 2022-01-05 - 来自专栏tea9的博客
时序图
时序图 时序图用于描述对象之间的传递消息的时间顺序, 即用例中的行为顺序. 当执行一个用例时, 时序图中的每条消息对应了一个类操作或者引起转换的触发事件. 对象: 时序图中对象使用矩形表示, 并且对象名称下有下划线. 将对象置于时序图的顶部说明在交互开始时对象就已经存在了. 如果对象的位置不在顶部, 表示对象是在交互的过程中被创建的. 表示时序图中的对象在一段生命周期内存在. 每个对象底部中心的位置都带有生命线. 消息: 两个对象之间的单路通信. 从发送方指向接收方. 在时序图中很少使用返回消息. Process On创建时序图 新建-UML LINKS processon ML建模之——时序图(待整理) UML系列——时序图（顺序图）sequence diagram 时序图、流程图、状态图、协作图之间的区别 画UML的用例图和时序图
1.3K10编辑于 2022-09-08 Chronos-2：从单变量到通用时序预测
引言：时序预测的新范式时序预测在商业、科学和工程的众多应用中至关重要。近期，基础模型引领了时序预测领域的范式转变。 与从单一时间序列进行外推的统计模型，或在特定任务上训练的早期深度学习模型不同，时序基础模型（TSFM）在大规模时序数据上进行一次性训练，然后可应用于各种预测问题。 在涵盖广泛预测任务（单变量、多变量和含协变量）的综合时序基准测试fev-bench上，Chronos-2以较大优势优于现有的TSFM。 除了Chronos-2，只有TabPFN-TS和COSMIC支持协变量，而Chronos-2以很大优势优于所有基线（包括TabPFN-TS和COSMIC）。在GIFT-Eval时序基准测试上的结果。 Chronos-2现已开源。我们邀请研究人员和从业者参与Chronos-2的研究，共同探索时序基础模型的前沿领域。FINISHED
40510编辑于 2026-03-12- 来自专栏全栈程序员必看
时序攻击
什么是时序攻击？ 在密码学中,时序攻击是一种侧信道攻击,攻击者试图通过分析加密算法的时间执行来推导出密码。 $expected = crypt('12345', '$2a$07$usesomesillystringforsalt$'); $correct = crypt('12345', '$2a$07 $usesomesillystringforsalt$'); $incorrect = crypt('apple', '$2a$07$usesomesillystringforsalt$'); var_dump 而使用 hash_equals 比较两个字符串，无论字符串是否相等，函数的时间消耗是恒定的，这样可以有效的防止时序攻击。
64420编辑于 2022-08-09 - 来自专栏数据饕餮
知识图谱完整项目实战（附源码）（2）
一、前言 本文是《知识图谱完整项目实战（附源码）》系列博文的第2篇：汽车知识图谱完整项目案例演示，主要介绍汽车领域知识图谱前端界面的功能演示。 与知识图谱结合，可以说是自然语言处理在命名实体识别，就目前阶段而言是最佳选择。 实体查询功能提供了基于知识图谱的前端数据可视化功能，可以直观的显示，与目标实体对象有关系的实体和关系类型。 2.3 关系查询 ? 三、未完待续 本文是《知识图谱完整项目实战（附源码）》系列博文的第2篇：汽车知识图谱完整项目案例演示，主要介绍汽车领域知识图谱前端界面的功能演示。 配套视频内容已同步发布在CSDN学院：《知识图谱完整项目实战（附源码）》
1.8K50发布于 2019-01-14 - 来自专栏机器学习原理
知识图谱（2）——neo4j的用法
先了解各个命令的用法 创建一个节点 CREATE (ee:Person { name: "Emil", from: "Sweden", klout: 99 }) 创建一个节点，三个属性 MATCH (ee:Person) WHERE ee.name = "Emil" RETURN ee; 用于连接节点和关系 创造更多节点
75710发布于 2018-08-27 - 来自专栏随心笔记
时序攻击
什么是时序攻击？ 在密码学中,时序攻击是一种侧信道攻击,攻击者试图通过分析加密算法的时间执行来推导出密码。 $expected = crypt('12345', '$2a$07$usesomesillystringforsalt$'); $correct = crypt('12345', '$2a$07 $usesomesillystringforsalt$'); $incorrect = crypt('apple', '$2a$07$usesomesillystringforsalt$'); var_dump 而使用 hash_equals 比较两个字符串，无论字符串是否相等，函数的时间消耗是恒定的，这样可以有效的防止时序攻击。
31710编辑于 2023-11-13 禽畜健康“预警机”：基于时序知识图谱与物联网的疫病风险超前洞察系统
融合物联网（IoT）实时感知数据与专家历史经验，构建能理解时间演变、因果逻辑的时序知识图谱，正成为构建禽畜疾病智能预警与辅助决策系统的关键。 技术路径：构建“数据-知识-决策”的智能闭环针对上述痛点，武汉知识图谱科技提出一个基于“时序知识图谱+物联网+行业小模型”三位一体的禽畜疫病风险超前洞察系统。 2.时序知识图谱的构建：让知识“动”起来这是系统的“大脑”。不同于传统静态知识图谱仅描述“实体-关系”，时序知识图谱引入了时间维度。 4.风险预警与辅助决策的生成当实时物联网数据流注入时序知识图谱后，系统启动风险扫描：·模式匹配与风险识别：将实时数据（如“今日群体平均活动量下降15%”）与知识图谱中的“异常模式”进行匹配。 2.“一个助手”随时服务：通过移动App或智能终端，为一线养殖员提供“AI养殖助手”。可通过语音或文字随时提问（“鸡精神不好，拉绿色粪便怎么办？”），助手基于知识图谱给出解答，并引导上报异常。
17210编辑于 2026-03-04
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号