XiaoMi-AI文件搜索系统
World File Search System图卡替
根据图统计信息生成神经图
我们描述了一种从聚合图统计数据（而不是图邻接矩阵）学习深度图生成模型 (GGM) 的新设置。匹配观察到的训练图的统计数据是学习传统 GGM（例如 BTER、Chung-Lu 和 Erdos-Renyi 模型）的主要方法。隐私研究人员已提出从图统计数据中学习作为保护隐私的一种方式。我们开发了一种架构来训练深度 GGM 以匹配统计数据，同时保留局部差异隐私保证。对 8 个数据集的实证评估表明，当两者都仅从图统计数据中学习时，我们的深度 GGM 比传统的非神经 GGM 生成更逼真的图。我们还将仅在统计数据上训练的深度 GGM 与在整个邻接矩阵上训练的最先进的深度 GGM 进行了比较。结果表明，图统计数据通常足以构建具有竞争力的深度 GGM，该深度 GGM 可生成逼真的图，同时保护本地隐私。
图1：准确性与CNN模型的时期图
摘要该项目提出了三种用于为EEG Net数据集创建神经网络模型的方法 - 使用CNN，CNN+LSTM和变异自动编码器（VAE）。研究评估并比较了两种方法在分类运动图像中的性能。结果表明，CNN+LSTM方法在准确性方面优于VAE方法。但是，VAE方法具有保留脑电图信号的关键特征的优势，同时降低其尺寸。两种方法都有其各自的优势和局限性，可以根据应用程序的特定要求使用。除了上述两种方法外，我们还为该数据集实施了随机森林，以对ML和DL模型的准确性成就进行比较分析。索引术语：机器学习（ML），深度学习（DL），VAE（变异自动编码器），长期短期存储网络（LSTM），脑电图（EEG）（EEG）
