XiaoMi-AI文件搜索系统
World File Search SystemDMON
图形神经网络的图形聚类
图形神经网络（GNNS）已在许多图分析任务（例如节点分类和链接预测）上实现了最新结果。然而，图形群集等图形上的重要无监督问题已证明对GNN的进步具有更大的抵抗力。图形聚类的总体目标与GNN中的节点合并相同 - 这意味着GNN池方法在聚类图方面做得很好？令人惊讶的是，答案是否 - 在简单的基准（例如应用于学习的表示上的K均值）良好工作的情况下，循环的GNN合并方法通常无法恢复群集结构。我们通过仔细设计一组实验来进一步研究，以研究图形结构和属性数据中不同的信噪情景。为了解决这些方法在聚类中的性能不佳，我们引入了深层模块化网络（DMON），这是一种受群集质量模块化量度启发的无监督的汇总方法，并显示了它如何处理现实世界图的挑战性聚类结构的恢复。同样，在现实世界数据上，我们表明DMON产生的高质量群集与地面真相标签密切相关，从而获得了最先进的结果，比各个不同指标的其他合并方法提高了40％以上。关键字：图形聚类，图形神经网络，随机块模型
现代空战环境 (MACE)
MACE（现代空战环境）是一种基于物理的全频谱计算机生成/半自动化部队 (CGF/SAF) 应用程序，具有庞大且用户可扩展的战斗序列，能够进行多对多模拟，同时在交战级别具有非常高的保真度。MACE 可以模拟先进的第五代系统，包括低可观测平台和有源和无源电子扫描阵列 (AESA 和 PESA 雷达) 以及高度竞争的战场。MACE 支持分布式交互式模拟 (DIS) 架构，包括模拟管理、实体状态、火灾、爆炸和排放 PDU。MACE 非常适合独立场景创建/任务演练和分布式任务模拟。MACE 已获得美国空军分布式任务操作网络 (DMON) 的使用认证，并且是作战空军分布式任务操作 (CAF DMO) 批准的 CGF/SAF。