相信许多留学生对数学代考都不陌生，国外许多大学都引进了网课的学习模式。网课学业有利有弊，学生不需要到固定的教室学习，只需要登录相应的网站研讨线上课程即可。但也正是其便利性，线上课程的数量往往比正常课程多得多。留学生课业深重，时刻名贵，既要学习知识，又要结束多种类型的课堂作业，physics作业代写，物理代写，论文写作等；网课考试很大程度增加了他们的负担。所以，您要是有这方面的困扰，不要犹疑，订购myassignments-help代考渠道的数学代考服务，价格合理，给你前所未有的学习体会。
我们的数学代考服务适用于那些对课程结束没有掌握，或许没有满足的时刻结束网课的同学。高度匹配专业科目，按需结束您的网课考试、数学代写需求。担保买卖支持，100%退款保证，免费赠送Turnitin检测报告。myassignments-help的Math作业代写服务，是你留学路上忠实可靠的小帮手！
计算机代写|机器学习代写machine learning代考|graph auto-encoders
Kipf and Welling [KW16b] use graph convolutions (Section 23.4.2) to learn node embeddings $\mathbf{Z}=$ $\operatorname{GCN}\left(\mathbf{W}, \mathbf{X} ; \Theta^E\right)$. The decoder is an outer product: $\operatorname{DEC}\left(\mathbf{Z} ; \Theta^D\right)=\mathbf{Z Z}^{\boldsymbol{\top}}$. The graph reconstruction term is the sigmoid cross entropy between the true adjacency and the predicted edge similarity scores:
$$
\mathcal{L}{G, \operatorname{RECON}}(\mathbf{W}, \widehat{\mathbf{W}} ; \Theta)=-\left(\sum{i, j}\left(1-\mathbf{W}{i j}\right) \log \left(1-\sigma\left(\widehat{\mathbf{W}}{i j}\right)\right)+\mathbf{W}{i j} \log \sigma\left(\widehat{\mathbf{W}}{i j}\right)\right) .
$$
Computing the regularization term over all possible nodes pairs is computationally challenging in practice, so the Graph Auto Encoders (GAE) model uses negative sampling to overcome this challenge.
Whereas GAE is a deterministic model, the authors also introduce variational graph auto-encoders (VGAE), which relies on variational auto-encoders (as in Section 20.3.5) to encode and decode the graph structure. In VGAE, the embedding $\mathbf{Z}$ is modeled as a latent variable with a standard multivariate normal prior $p(\mathbf{Z})=\mathcal{N}(\mathbf{Z} \mid \mathbf{0}, \mathbf{I})$ and a graph convolution is used as the amortized inference network, $q_{\Phi}(\mathbf{Z} \mid \mathbf{W}, \mathbf{X})$. The model is trained by minimizing the corresponding negative evidence lower bound:
$$
\begin{aligned}
\operatorname{NELBO}(\mathbf{W}, \mathbf{X} ; \Theta) &=-\mathbb{E}{q{\circledast}(\mathbf{Z} \mid \mathbf{W}, \mathbf{X})}[\log p(\mathbf{W} \mid \mathbf{Z})]+\operatorname{KL}\left(q_{\Phi}(\mathbf{Z} \mid \mathbf{W}, \mathbf{X}) | p(\mathbf{Z})\right) \
&=\mathcal{L}{G, \operatorname{RECON}}(\mathbf{W}, \widehat{\mathbf{W}} ; \Theta)+\operatorname{KL}\left(q{\Phi}(\mathbf{Z} \mid \mathbf{W}, \mathbf{X}) | p(\mathbf{Z})\right)
\end{aligned}
$$
计算机代写|机器学习代写machine learning代考|Methods based on contrastive losses
The deep graph infomax method of $[\mathrm{Vel}+19]$ is a GAN-like method for creating graph-level embeddings. Given one or more real (positive) graphs, each with its adjacency matrix $\mathbf{W} \in \mathbb{R}^{N \times N}$ and node features $\mathbf{X} \in \mathbb{R}^{N \times D}$, this method creates fake (negative) adjacency matrices $\mathbf{W}^{-} \in \mathbb{R}^{N^{-} \times N^{-}}$ and their features $X^{-} \in \mathbb{R}^{N^{-} \times D}$. It trains (i) an encoder that processes both real and fake samples, respectively giving $Z=\operatorname{ENC}\left(\mathbf{X}, \mathbf{W} ; \Theta^E\right) \in \mathbb{R}^{N \times L}$ and $\mathbf{Z}^{-}=\operatorname{ENC}\left(\mathbf{X}^{-}, \mathbf{W}^{-} ; \Theta^E\right) \in \mathbb{R}^{N^{-} \times L}$, (ii) a (readout) graph pooling function $\mathcal{R}: \mathbb{R}^{N \times L} \rightarrow \mathbb{R}^L$, and (iii) a descriminator function $\mathcal{D}: \mathbb{R}^L \times \mathbb{R}^L \rightarrow$ $[0,1]$ which is trained to output $\mathcal{D}\left(\mathbf{Z}_i, \mathcal{R}(\mathbf{Z})\right) \approx 1$ and $\mathcal{D}\left(\mathbf{Z}_j^{-}, \mathcal{R}\left(\mathbf{Z}^{-}\right)\right) \approx 0$, respectively, for nodes corresponding to given graph $i \in V$ and fake graph $j \in V^{-}$. Specifically, DGI optimizes:
$$
\min {\Theta}-\underset{\mathbf{X}, \mathbf{W}}{\mathbb{E}} \sum{i=1}^N \log \mathcal{D}\left(\mathbf{Z}i, \mathcal{R}(\mathbf{Z})\right)-\underset{\mathbf{x}^{-}, \mathbf{w}^{-}}{\mathbb{E}} \sum{j=1}^{N^{-}} \log \left(1-\mathcal{D}\left(\mathbf{Z}_j^{-}, \mathcal{R}\left(\mathbf{Z}^{-}\right)\right)\right),
$$
where $\Theta$ contains $\Theta^E$ and the parameters of $\mathcal{R}, \mathcal{D}$. In the first expectation, DGI samples from the real (positive) graphs. If only one graph is given, it could sample some subgraphs from it (e.g. connected components). The second expectation samples fake (negative) graphs. In DGI, fake samples use the real adjacency $W^{-}:=W$ but fake features $X^{-}$are a row-wise random permutation of real $X$. The ENC used in DGI is a graph convolutional network, though any GNN can be used. The readout $\mathcal{R}$ summarizes an entire (variable-size) graph to a single (fixed-dimension) vector. Veličković et al. $[$ Vel $+19]$ use $\mathcal{R}$ as a row-wise mean, though other graph pooling might be used e.g. ones aware of the adjacency.
The optimization of Equation (23.34) is shown by [Vel $+19]$ to maximize a lower-bound on the mutual information between the outputs of the encoder and the graph pooling function, i.e., between individual node representations and the graph representation.
In [Pen+20] they present a variant called Graphical Mutual Information. Rather than maximizing MI of nodee informátion and an entiree graph, GMI maximizees thé MI beetween thé representation of a node and its neighbors.
机器学习代考
计算机代写|机器学习代写machine learning代考|graph auto-encoders
Kipf 和 Welling [KW16b] 使用图卷积 (第 23.4.2 节) 来学习节点嵌入 $\mathbf{Z}=\operatorname{GCN}\left(\mathbf{W}, \mathbf{X} ; \Theta^E\right)$. 解码器是 一个外积: $\operatorname{DEC}\left(\mathbf{Z} ; \Theta^D\right)=\mathbf{Z Z}^{\top}$. 图重建项是真实邻接与预测边相似度得分之间的 $\mathrm{S}$ 型交叉嫡:
$$
\mathcal{L} G, \operatorname{RECON}(\mathbf{W}, \widehat{\mathbf{W}} ; \Theta)=-\left(\sum i, j(1-\mathbf{W} i j) \log (1-\sigma(\widehat{\mathbf{W}} i j))+\mathbf{W} i j \log \sigma(\widehat{\mathbf{W}} i j)\right)
$$
在实践中计算所有可能节点对的正则化项在计算上具有挑战性，因此图自动编码器 (GAE) 模型使用负采 样来克服这一挑战。
尽管 GAE 是一种确定性模型，作者还引入了变分图自动编码器 (VGAE)，它依赖于变分自动编码器 (如 第 20.3.5 节中所述) 来编码和解码图结构。在 VGAE 中，嵌入Z被建模为具有标准多元正态先验的潜在 变量 $p(\mathbf{Z})=\mathcal{N}(\mathbf{Z} \mid \mathbf{0}, \mathbf{I})$ 并且使用图卷积作为分推推理网络， $q_{\Phi}(\mathbf{Z} \mid \mathbf{W}, \mathbf{X})$. 通过最小化相应的负面 证据下界来训练模型:
$$
\operatorname{NELBO}(\mathbf{W}, \mathbf{X} ; \Theta)=-\mathbb{E} q \circledast(\mathbf{Z} \mid \mathbf{W}, \mathbf{X})[\log p(\mathbf{W} \mid \mathbf{Z})]+\operatorname{KL}\left(q_{\Phi}(\mathbf{Z} \mid \mathbf{W}, \mathbf{X}) \mid p(\mathbf{Z})\right) \quad=\mathcal{L} G, \operatorname{RECON}
$$
计算机代写|机器学习代写machine learning代考|Methods based on contrastive losses
的深度图infomax方法 $[\mathrm{Vel}+19]$ 是一种类似于 GAN 的方法，用于创建图级嵌入。给定一个或多个实 (正) 图，每个图都有其邻接矩阵 $\mathbf{W} \in \mathbb{R}^{N \times N}$ 和节点特征 $\mathbf{X} \in \mathbb{R}^{N \times D}$ ，此方法创建假 (负) 邻接矩阵 $\mathbf{W}^{-} \in \mathbb{R}^{N^{-} \times N^{-}}$和他们的特点 $X^{-} \in \mathbb{R}^{N^{-} \times D}$. 它训练 (i) 一个处理真实样本和假样本的编码器，分别给 化函数 $\mathcal{R}: \mathbb{R}^{N \times L} \rightarrow \mathbb{R}^L$ ， (iii) 判别函数 $\mathcal{D}: \mathbb{R}^L \times \mathbb{R}^L \rightarrow[0,1]$ 这是训练输出 $\mathcal{D}\left(\mathbf{Z}_i, \mathcal{R}(\mathbf{Z})\right) \approx 1$ 和 $\mathcal{D}\left(\mathbf{Z}_j^{-}, \mathcal{R}\left(\mathbf{Z}^{-}\right)\right) \approx 0$ ，分别对应给定图的节点 $i \in V$ 和假图 $j \in V^{-}$.具体来说，DGI 优化了:
$$
\min \Theta-\underset{\mathbf{X}, \mathbf{w}}{\mathbb{E}} \sum i=1^N \log \mathcal{D}(\mathbf{Z} i, \mathcal{R}(\mathbf{Z}))-\underset{\mathbf{x}^{-}, \mathbf{w}^{-}}{\mathbb{E}} \sum j=1^{N^{-}} \log \left(1-\mathcal{D}\left(\mathbf{Z}_j^{-}, \mathcal{R}\left(\mathbf{Z}^{-}\right)\right)\right)
$$
在哪里 $\Theta$ 包含 $\Theta^E$ 和参数 $\mathcal{R}, \mathcal{D}$. 在第一个期望中，DGI从真实 (正) 图中乎样。如果只给出一个图，它可 以从中采样一些子图（例如连通分量）。第二个期望对假 (负) 图进行采样。在 DGI中，假样本使用真 实邻接 $W^{-}:=W$ 但假特征 $X^{-}$是实数的逐行随机排列 $X$. DGI 中使用的 ENC 是图卷积网络，尽管可以 使用任何 GNN。读数 $\mathcal{R}$ 将整个 (可变大小) 图汇总为单个 (固定维度) 向量。Veličković 等人。[出色地 $+19]$ 利用 $\mathcal{R}$ 作为逐行平均，尽管可能会使用其他图池，例如那些知道邻接的图。
方程 (23.34) 的优化由 $[\mathrm{Vel}+19]$ 最大化编码器输出和图池函数之间互信息的下限，即各个节点表示和图 表示之间的互信息。
在 $[$ Pen+20] 中，他们提出了一种称为图形互信息的变体。GMI 不是最大化节点信息和整个图的 MI，而 是最大化节点及其邻居表示之间的 $\mathrm{MI}$ 。
myassignments-help数学代考价格说明
1、客户需提供物理代考的网址，相关账户，以及课程名称，Textbook等相关资料~客服会根据作业数量和持续时间给您定价~使收费透明，让您清楚的知道您的钱花在什么地方。
2、数学代写一般每篇报价约为600—1000rmb，费用根据持续时间、周作业量、成绩要求有所浮动(持续时间越长约便宜、周作业量越多约贵、成绩要求越高越贵)，报价后价格觉得合适，可以先付一周的款，我们帮你试做，满意后再继续，遇到Fail全额退款。
3、myassignments-help公司所有MATH作业代写服务支持付半款，全款，周付款，周付款一方面方便大家查阅自己的分数，一方面也方便大家资金周转，注意:每周固定周一时先预付下周的定金，不付定金不予继续做。物理代写一次性付清打9.5折。
Math作业代写、数学代写常见问题
留学生代写覆盖学科？
代写学科覆盖Math数学,经济代写，金融,计算机,生物信息，统计Statistics,Financial Engineering，Mathematical Finance，Quantitative Finance，Management Information Systems,Business Analytics,Data Science等。代写编程语言包括Python代写、Physics作业代写、物理代写、R语言代写、R代写、Matlab代写、C++代做、Java代做等。
数学作业代写会暴露客户的私密信息吗？
我们myassignments-help为了客户的信息泄露，采用的软件都是专业的防追踪的软件，保证安全隐私，绝对保密。您在我们平台订购的任何网课服务以及相关收费标准，都是公开透明，不存在任何针对性收费及差异化服务，我们随时欢迎选购的留学生朋友监督我们的服务，提出Math作业代写、数学代写修改建议。我们保障每一位客户的隐私安全。
留学生代写提供什么服务？
我们提供英语国家如美国、加拿大、英国、澳洲、新西兰、新加坡等华人留学生论文作业代写、物理代写、essay润色精修、课业辅导及网课代修代写、Quiz，Exam协助、期刊论文发表等学术服务，myassignments-help拥有的专业Math作业代写写手皆是精英学识修为精湛；实战经验丰富的学哥学姐！为你解决一切学术烦恼！
物理代考靠谱吗？
靠谱的数学代考听起来简单，但实际上不好甄别。我们能做到的靠谱，是把客户的网课当成自己的网课；把客户的作业当成自己的作业；并将这样的理念传达到全职写手和freelancer的日常培养中，坚决辞退糊弄、不守时、抄袭的写手！这就是我们要做的靠谱！
数学代考下单流程
提早与客服交流，处理你心中的顾虑。操作下单，上传你的数学代考/论文代写要求。专家结束论文，准时交给，在此过程中可与专家随时交流。后续互动批改
付款操作：我们数学代考服务正常多种支付方法，包含paypal，visa，mastercard，支付宝，union pay。下单后与专家直接互动。
售后服务：论文结束后保证完美经过turnitin查看，在线客服全天候在线为您服务。如果你觉得有需求批改的当地能够免费批改，直至您对论文满意为止。如果上交给教师后有需求批改的当地，只需求告诉您的批改要求或教师的comments，专家会据此批改。
保密服务：不需求提供真实的数学代考名字和电话号码，请提供其他牢靠的联系方法。我们有自己的工作准则，不会泄露您的个人信息。
myassignments-help擅长领域包含但不是全部:
myassignments-help服务请添加我们官网的客服或者微信/QQ，我们的服务覆盖：Assignment代写、Business商科代写、CS代考、Economics经济学代写、Essay代写、Finance金融代写、Math数学代写、report代写、R语言代考、Statistics统计学代写、物理代考、作业代写、加拿大代考、加拿大统计代写、北美代写、北美作业代写、北美统计代考、商科Essay代写、商科代考、数学代考、数学代写、数学作业代写、physics作业代写、物理代写、数据分析代写、新西兰代写、澳洲Essay代写、澳洲代写、澳洲作业代写、澳洲统计代写、澳洲金融代写、留学生课业指导、经济代写、统计代写、统计作业代写、美国Essay代写、美国代考、美国数学代写、美国统计代写、英国Essay代写、英国代考、英国作业代写、英国数学代写、英国统计代写、英国金融代写、论文代写、金融代考、金融作业代写。