03月11日
一、今日完成情况
- Ubuntu 搞坏了，做错也算工作量吧
- 看了一篇华尔街深度文章[[2026-03-11 AI推演–过剩智能的后果（English）]] –有待继续理解
- 参加IC验证学长答辩，我可以记录一下其经验
二、今日感悟
- 核心业务数据：
- 配置了一下Ubuntu的光线问题，然后重启就启动不了了坏掉了。对于研究生来说，无论是否有突破，只要在做，而且有工作量，那就是收获，包括我这次的Ubuntu坏道了，给我了一个机会，可以推翻重新配置所有项目。不过至少要花一天时间了。
- 关于华尔街日报当中的推演，我打算细细的查看一下争取理解其逻辑关系
- IC学长答辩我需要要一下PPT，然后放在笔记这里，关于几个经验我认为值得学习
- 两个人一起准备面试
- 多个人相互提问面试
- 今日工作总结：
- 无
- 明日工作计划：
- 去江安，非常有意义哦。
- 中午吃烤肉
- 早上起得来就去实验室修电脑
- 今日学习成长：
- 系统推翻一遍重来
- 然后我知道了一个金融市场的网站，值得我关注，只不过要收费挺贵的好烦呀。
三、备注
- 无
四、人员分工
| 成员 | 负责主题 (Why & What) | 对应论文章节 | 核心任务与演讲要点 |
|---|---|---|---|
| 同学 1 | 背景、挑战与动机 | Abstract, Section 1 | 1. 研究背景：图生成在生物、社交网络等领域的应用价值。 2. 现有痛点：传统模型依赖人工假设；早期深度学习模型 (VAE/GAN) 面临的三大挑战（输出空间巨大可变、节点排列非唯一性、边之间复杂依赖）。 3. 本文贡献：引出 GraphRNN 的核心思想（自回归分解）及新的评估基准 (MMD)。 |
| 同学 2 | 核心方法论：架构设计 | Section 2.1 - 2.3.3 | 1. 问题转化：如何将图生成转化为序列生成（节点/边的添加序列）。 2. 双层 RNN 架构 (重点)： Graph-level RNN：维护图状态，生成新节点。 Edge-level RNN：生成新节点与旧节点的连接边。 3. 两种变体：GraphRNN-S (简化独立假设) vs GraphRNN (完整依赖假设)。 |
| 同学 3 | 关键优化与理论分析 | Section 2.3.4, Section 3 | 1. BFS 排序策略 (核心创新)：解释为何使用 BFS 解决“非唯一性”问题，以及如何通过截断机制降低计算复杂度 (从 $O(n^2)$ 降至次平方级)。 2. 模型表达能力证明： - 如何学习社区结构 (Community Structure)。 3. 理论支撑：简述 RNN 的通用近似能力。 |
| 同学 4 | 实验设置与评估指标 | Section 4.1 - 4.3 | 1. 数据集介绍：合成数据 (Community, Grid, B-A) 与真实数据 (Protein, Ego) 的多样性。 2. 基线模型：传统模型 (E-R, B-A, Kronecker) vs 深度模型 (GraphVAE, DeepGMG)。 3. 评估指标 (重点)：详细解释 MMD 指标的原理，为何它比均值比较更科学（基于度分布、聚类系数、Motif 计数）。。 |
| 同学 5 | 结果分析与总结展望 | Section 4.4 - 4.5, Section 6 | 1. 可视化结果：展示生成的图与真实图的对比 (Figure 2, 3)，强调对规则和复杂结构的捕捉能力。 2. 定量结果：解读 MMD 得分表格，强调性能提升 (80%-90% 降低) 及泛化能力 (NLL 分析)。。 3. 总结与展望：回顾全文贡献，指出局限性 (大规模图生成) 及未来方向。 |
转载请注明来源，欢迎对文章中的引用来源进行考证，欢迎指出任何有错误或不够清晰的表达。可以在下面评论区评论，也可以邮件至 kipleyarch@gmail.com
