1. 前言
上一节我们一节了解了什么是编码解码、序列化和反序列化了，并且留有一道思考题，本节内容主要是深入解析该思考题。
2025年08月19日
各位读者，“2015第二届轨道交通供电系统技术大会”主讲报告文字精要版已在微信订阅号“城铁供电技术”（微信号：ctgdjs）上陆续发布，请感兴趣的读者扫描下方的二维码，关注该微信号前往阅读。
国网技术学院的研究人员娄宝磊，在2015年第12期《电气技术》杂志上撰文，针对传统BP
2025年08月19日
扩散级联预测是理解信息在社交网络上传播的关键。大多数方法通常集中在单个级联中受感染用户的顺序或结构上，因此忽略了全局用户和级联的依赖性，限制了预测性能。而当前引入社交网络的策略只能获取到用户之间的社会同质性，不足以描述他们的偏好。
2025年08月19日
传感器网络、可穿戴设备以及物联网设备产生的大量数据使能够利用分布式数据的时空数据建模方法显得更为重要，尤其是在边缘计算和数据访问控制的需求出现之后。近来兴起的联邦学习能够在避免直接在节点之间共享数据的条件下训练机器学习模型，但如何在联邦学习中有效利用不同节点之间的时空依赖关系仍然需要研究。另-方面，已有的时空数据预测模型忽视了不同节点之前数据共享的限制。我们在本工作中提出了一种跨节点的联邦学习图神经网络(CNFGNN) .CNFGNN能够在不直接访问节点数据的前提下利用图神经网络嵌入节点之间的图结构信息。CNFGNN解耦了时间和空间维度的建模并将二者分别限制在客户端和服务器端，同时使用交替优化的方法减少通信成本和客户端的计算成本。交通流数据预测任务上的实验显示，与已有的联邦学习方法相比，CNFGNN能够在不增加客户端计算成本的情况下取得最好的预测结果，同时有适中的通信成本。
2025年08月19日
天眼查APP显示，近日，浙江大学,数源科技股份有限公司申请的“基于时空图神经网络的供水管网全流程需水量预测方法”专利公布。 摘要显示，本发明公开了基于时空图神经网络的供水管网全流程需水量预测方法，该方法利用自适应图学习模块能够在训练过程中基于待测时间步和输入数据构建对应尺度的传感器节点的全连接邻接矩阵，与通过人工构建全连接图邻接矩阵相比，节省人工的同时，还能够更准确的获得不同尺度下的全连接图，从而能够准确的得到不同时间尺度下的传感器节点的强连接关系，还能够灵活的应用在不同地域的供水管网全流程需水量预测上。利用多尺度时间特征提取模块得到不同时间尺度下的时间特征，通过多尺度融合模块对不同时间尺度下的时间特征赋予权重，实现了针对不同待测时间步，协调短期波动特征和长期依赖特征从而能够较为准确的得到对应的需水量的预测值。