深度学习进阶-腾讯云开发者社区

开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

深度学习进阶

专栏成员

22

文章

24273

阅读量

16

订阅数

AIOps质量#Incident#检测：基于告警事件的实时故障预测

特征工程机器学习

AIOps领域关于指标、日志和trace数据的异常检测与定位的研究工作很多，这些工作中的异常更多是时序指标上的表现异常，与真实的故障相距甚远，真实的故障是极其稀疏的，与运维工作人员每天接受到的异常检测算法识别出来的告警量不在一个数量级。本文主要介绍一种实时故障预测的文章《Real-Time Incident Prediction for Online Service Systems》，使用告警数据来预测未来一段时间是否会发生真实故障。

2022-11-28

5560

AIOps质量#Series#检测：基于AutoML的异常检测

机器学习深度学习人工智能神经网络

本文主要介绍两篇用AutoML来做异常检测的文章，《PyODDS: An End-to-end Outlier Detection System with Automated Machine Learning》、《AutoOD: Automated Outlier Detection via Curiosity-guided Search and Self-imitation Learning》，第一篇关于模型和超参搜索，第二篇是神经网络结构搜索。

2022-11-28

3230

AIOps质量#Trace#定位：复旦CodeWisdom团队的微服务trace分析与故障诊断

微服务存储数据库 sql

本文主要介绍论文《Graph-Based Trace Analysis for Micro-service Architecture Understanding and Problem Diagnosis》，由复旦大学CodeWisdom团队、eBay统一监控团队（UMP）、北京大学软件工程研究所共同发表。该篇论文采用图方法对微服务系统中的trace数据进行聚合和分析，并用于eBay监控场景的故障诊断。论文链接如下：

2022-11-28

8520

基线估计(二)：GP与Model Uncertainty，高斯过程在异常检测中的应用

神经网络机器学习人工智能深度学习

深度学习虽然在许多领域都得到了较好的应用，但是传统深度学习通常采用最大似然估计来训练，导致模型本身难以衡量模型的不确定性（Model Uncertainty）[1]。以如下场景为例，我们想用卷积网络对图像做分类，模型训练好后，在测试样本上计算出的预测概率/softmax很大，我们可以认为预测的置信度（model confidence）很高，测试样本极有可能属于某一类别，但是这一预测的不确定性是无法衡量的。如下图所示，即使我们的模型在生产场景中有很高的softmax，我们也无法确定模型有多大概率会在这次预测上会出现失误。

2021-09-15

1.2K0

CS224w图机器学习（一）：Graph介绍、特性和随机图模型

阅读领域相关文献和学习名校课程能帮助我们很好的构建系统性深度学习的知识体系。新建《深度学习进阶课程》专栏，后续将从CS224w开始，陆续添加各名校深度学习课程的学习笔记。

2021-09-15

1.6K0

CS224w图机器学习（二）：Motifs & Structural Roles

node.js 数据结构编程算法

现在我们了解了子图，也知道子图的重要性是可以衡量的。如此我们可以继续引入模块（motifs）的概念。

2021-09-15

7400

CS224w图机器学习（三）：Community Structure

编程算法 unity

上一讲主要介绍图的模块和结构性角色，如下图，在引入角色的时候，将角色和社区放在一起做比对，角色是网络中具有相似功能的一组节点，重在相似性；社区是相互连接的一组节点，重在连接性。本章便主要探讨网络中的社区（Community）。

2021-09-15

5870

CS224w图机器学习（四）：Spectral Clustering

node.js 数据结构

本文主要介绍CS224W的第五课，图的谱聚类。前一章主要讲图的社区，社区是一组节点的集合，社区内部的节点保持紧密的连接，而与图的其他节点连接很少的节点集合。图的社区是从节点间的连接关系来研究图的性质，本章则是从另一个角度（谱聚类）来介绍图。

2021-09-15

5770

CS224w图机器学习（五）：Message Passing and Node Classification

本文主要介绍CS224W的第六课，图的信息传播和节点分类。上一章讲述的谱聚类，就可以对节点进行分类，本节则从信息传递的角度来考虑节点的分类。

2021-09-15

7060

CS224w图机器学习（六）：Graph Representation Learning

特征工程编程算法 node.js 知识图谱

本文主要介绍CS224W的第七课，图的表征学习，这里的表征类似于NLP里的word embedding。上一节课讲了图的信息传输和节点分类，节点的类别由节点自身的特征和邻居节点的类别所决定，但节点自身的特征通常依赖于人工干预的特征工程，这里可能会耗时耗力，那么能不能自动化地提取这些信息呢，这就是本节课的主要内容图的表征学习，基于Embedding的方式自动提取节点特征。

2021-09-15

7660

CS224w图机器学习（七）：Graph Neural Networks

数据结构神经网络深度学习监督学习机器学习

本文主要介绍CS224W的第八课，图神经网络。上一篇章的主题是图表征学习，主要在讲Node Embedding，核心步骤包含编码网络和相似性度量。本文则是从图神经网络的角度出发，展开一些编码网络的深度方法。

2021-09-15

5260

图学习应用（一）：腾讯电子支付网络的恶意账户识别

编程算法访问管理机器学习神经网络深度学习

随着专栏内图机器学习的内容逐渐丰富，从本文开始，我们也将更详细的了解图在实际工业场景中的应用。

2021-09-15

7770

CS224w图机器学习（八）：Deep Generative Models for Graphs

机器学习深度学习人工智能数据结构神经网络

本文主要介绍CS224W的第十课，图的深度生成模型。第九课是图神经网络的实战，该部分内容会和其他场景的实战进行统一整合，做一个不断更新的实战篇章，并按场景将其梳理到同一个代码库下。回顾第八章，课程主要讲述了图神经网络，以及引入聚合函数和注意力机制的图卷积网络，通过图神经网络可自动化生成Embedding。本课程则主要讲述图的生成模型，如何生成一张图。

2021-09-15

4300

CS224w图机器学习（九）：Link Analysis- PageRank

编程算法网站

开始本章节内容之前，先对前十课的内容进行总结。前三节课主要讲在图的概念与性质，我们简单总结下这三讲内容所提到的与图相关的概念。

2021-09-15

4540

图学习应用（三）：斯坦福和Pinterest联合推出PinSage：GCN首次用于商业推荐系统

推荐系统编程算法

本文主要介绍论文《Graph Convolutional Neural Networks for Web-Scale Recommender Systems》，它是Pinterest公司和斯坦福大牛Jure Leskovec联合发表，首次将图卷积神经网络应用于商业推荐系统。我没找到这篇文献公开的代码，但在DGL（Deep Graph Library）下找到了PinSage的实现，GitHub链接和文献详情如下。

2021-09-15

1.2K0

AIOps之根因分析（一）：基于图的微服务trace分析与故障诊断

微服务腾讯移动分析 sql 数据库

本文主要介绍论文《Graph-Based Trace Analysis for Micro-service Architecture Understanding and Problem Diagnosis》，由复旦大学CodeWisdom团队、eBay统一监控团队（UMP）、北京大学软件工程研究所共同发表。该篇论文采用图方法对微服务系统中的trace数据进行聚合和分析，并用于eBay监控场景的故障诊断。论文链接如下：

2021-09-15

3.4K0

AIOps根因定位（二）：微服务架构的异常检测与根因定位

数据结构 linux 深度学习

本文主要从基于日志、基于trace和基于监控指标这三个方面，初步罗列了微服务架构的异常检测和根因定位的相关论文。

2021-09-15

3.7K0

图学习综述（一）：图神经网络技术与应用

神经网络 html linux

近年来，图嵌入和图神经网络的相关技术在知识图谱、推荐系统、视觉、NLP等诸多领域有了广泛的应用。本文主要参考清华大学发表的《Graph neural networks: A review of methods and applications》一文，同时结合多篇图神经网络的研究，对图神经网络技术进行梳理。

2021-09-15

8160

AIOps异常检测（一）：基于AutoML的异常检测

本文主要介绍两篇用AutoML来做异常检测的文章，《PyODDS: An End-to-end Outlier Detection System with Automated Machine Learning》、《AutoOD: Automated Outlier Detection via Curiosity-guided Search and Self-imitation Learning》，第一篇关于模型和超参搜索，第二篇是神经网络结构搜索。

2021-09-15

1K0

AIOps异常检测（二）：基于告警事件的实时故障预测

机器学习特征工程

AIOps领域关于指标、日志和trace数据的异常检测与定位的研究工作很多，这些工作中的异常更多是时序指标上的表现异常，与真实的故障相距甚远，真实的故障是极其稀疏的，与运维工作人员每天接受到的异常检测算法识别出来的告警量不在一个数量级。本文主要介绍一种实时故障预测的文章《Real-Time Incident Prediction for Online Service Systems》，使用告警数据来预测未来一段时间是否会发生真实故障。

2021-09-15

2K0

点击加载更多

社区活动

【纪录片】中国数据库前世今生

穿越半个世纪，探寻中国数据库50年的发展历程

Python精品学习库

代码在线跑，知识轻松学

博客搬家 | 分享价值百万资源包

自行/邀约他人一键搬运博客，速成社区影响力并领取好礼

技术创作特训营·精选知识专栏

往期视频·千货材料·成员作品最新动态