⭐️halo, hola a todos, primera vez que nos vemos ~ Soy la hermana Nan ~
⭐️Inspirado por algunas cuentas públicas excelentes recientemente, espero intentar usar algunos métodos nuevos para escribir un nuevo intercambio de tecnología. En un tono relajado y humorístico, realizaré una divulgación científica técnica y compartiré en mi cuenta oficial ~
⭐️Originalmente, el artículo se publicó en el foro técnico interno de la fábrica, pero después de que muchos colegas me alentaron, intenté publicarlo en mi círculo de amigos y exploré algunas cosas que nunca antes había hecho ~
⭐️Este artículo puede considerarse como el comienzo y probar el agua. Si el efecto es bueno, Sister Nan trabajará duro para continuar la serie de artículos de ciencia técnica, y si es una cuenta pública, también puedes explorar algunos temas nuevos además tecnología, y esforzarse por hacer una serie de artículos con características personales e IP originales ~ Espero que todos se unan a nosotros ~
--- ---
No sé si todos están en la carrera habitual de mover ladrillos.
¿ Alguna vez has oído hablar del término " computación gráfica "?
Pero todo el mundo debe haber oído hablar de él en los informes de trabajo y divulgación de la ciencia técnica
Palabras como "inteligencia", "inteligencia artificial"
Y el cálculo gráfico del que vamos a hablar hoy.
Es el favorito de la frontera caliente en el campo de la inteligencia artificial en los últimos años.
También es un "gran asesino" de uso común en el campo del control de riesgos y la lucha contra el fraude.
Antes de entender la computación gráfica
En primer lugar, debemos entender qué es un " gráfico "
lo que decimos hoy
De hecho, es una estructura de datos utilizada para representar la relación entre objetos.
Tiene una fuerte abstracción y flexibilidad.
Tiene una fuerte capacidad expresiva en términos de estructura y semántica.
Es precisamente por la rica expresividad de la estructura gráfica.
Hay muchos ejemplos en la vida real que se pueden representar como "gráficos"
Tales como redes sociales , redes viales , transacciones financieras , etc.
Los amigos que se dedican a la investigación y el desarrollo o relacionados con algoritmos saben que
Nuestros algoritmos de aprendizaje automático y aprendizaje profundo de uso común
La mayoría de ellos se utilizan para procesar algunos datos regulares, ordenados o estructurados.
Tales como matriz, imagen, texto, secuencia, etc.
Y se supone que los datos procesados son independientes y están distribuidos de manera idéntica.
Sin embargo, los nodos en el gráfico están naturalmente conectados
Esto significa que los nodos no son independientes.
En este punto, la computación gráfica que vamos a mencionar hoy viene
Su núcleo es precisamente modelar datos como una estructura gráfica.
Y resuelva cómo convertir la solución del problema en un problema computacional en la estructura del gráfico
Cuando la tarea del algoritmo involucra el análisis de asociación entre múltiples individuos
La computación gráfica a menudo permite que los problemas se resuelvan de forma natural.
Expresado como una serie de operaciones y cálculos sobre la estructura del gráfico
Sin embargo, la computación gráfica necesita resolver varios problemas
Es difícil resolver todos los problemas con un conjunto de modelos informáticos.
A continuación, llegaremos al sitio del sistema.
Esas cosas sobre la computación gráfica
--- ★ ---
Por ejemplo, en virtud de si el borde tiene dirección
Los gráficos se pueden dividir en gráficos dirigidos y gráficos no dirigidos.
Si el borde tiene peso
Los gráficos también se pueden dividir en gráficos ponderados y gráficos no ponderados.
Si los vértices y las aristas del gráfico tienen varios tipos
Los gráficos se pueden dividir en gráficos isomorfos y gráficos heterogéneos
Además, si la estructura del gráfico y la información del gráfico cambian con el tiempo.
Los gráficos se pueden dividir en gráficos estáticos y gráficos dinámicos.
" Grado " y " Barrio "
son dos conceptos importantes que involucran nodos gráficos
El "grado" de un nodo se refiere al número de nodos conectados a él
Si es un gráfico dirigido, también distinguirá entre "grado de entrada" y "grado de salida".
Los "vecinos" de un nodo son otros nodos conectados a él.
Sobre la representación de grafos
Todavía hay algunos conceptos básicos que deben mencionarse.
Una es la " matriz de adyacencia "
Se utiliza para representar cuantitativamente la relación de borde entre nodos
También hay " características de nodo " y " características de borde "
Propiedades numéricas únicas utilizadas para caracterizar nodos y bordes
No importa cuán complejo sea el modelo de algoritmo gráfico
se basan en estos conceptos básicos
Haga una de las preguntas más básicas sobre grafos: el problema de la representación de nodos
Es cómo basarse en la información y los atributos del gráfico anterior.
Representación cuantificada de nodos o aristas en un gráfico
En tareas de CV y PNL
Diseñaremos módulos CNN y RNN
Para modelar la información representada por píxeles de imagen y caracteres de texto.
La misma idea también se usa en el aprendizaje de representación gráfica.
Con una representación de vector de nodo razonable
Luego podemos explorar varias tareas posteriores
Por ejemplo, para clasificar los nodos
Encuentra aquellos nodos que tienen un comportamiento o propiedades especiales
o división de la comunidad
Descubra el conjunto de nodos con la agregación más fuerte y la similitud más alta
Además, también se pueden realizar varias tareas posteriores, como la predicción de enlaces y la partición de subgráficos.
¿Qué quieres hacer con la computación gráfica?
depende totalmente de sus necesidades reales
mira aquí
Felicidades
Ya ha comenzado el cálculo gráfico
--- ★ ★ ---
La computación gráfica no es un algoritmo nuevo
Si rastreamos su historia
Euler es considerado uno de los más grandes matemáticos de la historia de la humanidad.
Por su descripción del problema con el Puente de los Siete Arcos en Königsberg
Entonces surgió la disciplina de la teoría de grafos.
En un parque en Königsberg
Hay siete puentes que conectan las dos islas del río Pregel con las orillas del río.
Euler estudió y demostró este problema en 1736.
Atribuyó el problema al problema de "un golpe".
Y prueba que el movimiento de un golpe es imposible
durante su investigación
Abstraer la tierra y el puente en el problema en puntos y bordes respectivamente
y formar un gráfico topológico simple
introduce conceptos básicos sobre gráficos
Después de eso, apareció una aplicación temprana de la teoría de grafos.
- Representación de área ( coloración )
Con el advenimiento de la era de la gran navegación del siglo XV al XVII
y el surgimiento del concepto de estado-nación después de la Revolución Francesa
Los países de todo el mundo están comenzando a crear mapas de mayor resolución.
Y cómo usar la menor cantidad de colores en el dibujo.
Para asegurar que dos áreas adyacentes (país, estado, provincia)
distinguir con diferentes colores
Este problema es un problema clásico de teoría de grafos.
mediados del siglo XIX
Los matemáticos prueban el problema del 'mapa de cinco colores' calculando a mano
Y hasta un siglo completo después, en 1976,
Fue solo con la ayuda de la potencia informática de la computadora que se demostró inicialmente la viabilidad del "mapa de cuatro colores".
Y después de optimizar a través del cálculo gráfico
Se reemplazó el mapa de cinco colores con un mapa de cuatro colores.
El problema de coloreado del mapa anterior es un problema típico NP-completo en matemáticas.
como navegación, programación de recursos, motores de búsqueda y recomendación
Sin embargo, el marco de big data y las soluciones correspondientes a estos escenarios
Al principio
No hay un uso real del almacenamiento de gráficos nativos y los modos de computación.
En otras palabras, la gente todavía usa bases de datos en columnas.
o incluso documentar bases de datos para resolver problemas de teoría de grafos
Se utilizan herramientas ineficientes y de baja dimensión para resolver con fuerza problemas complejos y de alta dimensión.
Entonces su experiencia de usuario puede ser mala o la relación entrada-salida es extremadamente mala
En los últimos años, con el desarrollo de Internet
El gráfico de conocimiento penetra gradualmente en los corazones de las personas.
El desarrollo de la computación gráfica y las bases de datos gráficas apenas ha comenzado a recibir una atención renovada.
En el último medio siglo, han aparecido muchos algoritmos de computación gráfica.
Incluyendo el conocido algoritmo de Dijkstra que apareció en 1956
La investigación resuelve el problema del camino más corto para los gráficos
Han surgido varios algoritmos de descubrimiento comunitario más complejos a medida que los tiempos lo requieren.
Se utiliza para detectar asociaciones entre comunidades, grupos de clientes y sospechosos
Consiste en representar cada vértice del gráfico como un vector de baja dimensión
Y hacer que el vector pueda guardar la mayor cantidad posible de información de estructura y contenido del gráfico.
y se pueden utilizar como funciones para tareas de aprendizaje posteriores
Tales como clasificación de nodos, predicción de enlaces, etc.
Estos trabajos están dirigidos a diferentes tipos de datos, como gráficos isomorfos, gráficos heterogéneos, gráficos de atributos y gráficos dinámicos.
Se han propuesto varias propuestas
Incluye algoritmos clásicos DeepWalk , LINE , Node2Vec
La idea básica de estos algoritmos es generar datos basados en paseos aleatorios
Luego optimice los parámetros entrenando
generar modelos probabilísticos
Extienda los modelos clásicos de redes neuronales como RNN, CNN, etc. para graficar datos
A diferencia del aprendizaje de representación gráfica, que trata de aprender el vector de cada punto
El propósito de la red neuronal gráfica es en realidad aprender la función de agregación.
Todos los puntos pueden usar información local para calcular su propia representación a través de la misma función
Incluso si la estructura del gráfico cambia, o incluso un gráfico completamente nuevo
también puede usar la función original para calcular resultados significativos
En cuanto a la red neuronal de grafos, también han nacido una serie de algoritmos clásicos
--- ★★★ ---
Finalmente, hablemos de la aplicación práctica de la computación gráfica.
En la actualidad, muchas grandes empresas de Internet y empresas de tecnología financiera
De hecho, es inseparable de la tecnología de computación gráfica.
PageRank inventado por el fundador de Google, Larry Page, a finales del siglo XX
Esta es una página a gran escala, algoritmo de clasificación de enlaces
Se puede decir que la tecnología central de los primeros Google es una tecnología de computación gráfica concurrente superficial.
También está Facebook, el núcleo de su marco técnico es su Social Graph
Es decir, amigos asocian amigos y asocian amigos
Como resultado, Facebook ha establecido una sólida red social.
Facebook abre muchas cosas
Pero este motor y arquitectura básicos de computación gráfica nunca han sido de código abierto.
Si puedes recordar la crisis financiera mundial que estalló en 2007-2008
Lehman Brothers quiebra
Goldman Sachs pudo salir
La verdadera razón detrás de esto es la aplicación de un poderoso sistema de base de datos de gráficos: SecDB
Y para todas las nuevas empresas de Internet impulsadas por la tecnología
Como Paypal, eBay y muchas de nuestras empresas financieras y de comercio electrónico nacionales.
La computación gráfica no es poco común
Las competencias básicas de Graph pueden ayudarlos a revelar las interrelaciones de los datos.
los últimos diez años
Con la aplicación generalizada de la tecnología de inteligencia artificial representada por el aprendizaje profundo
El aprendizaje de gráficos se ha convertido gradualmente en un tema candente
También se han logrado avances en la causalidad, la explicabilidad
Ahora, el aprendizaje gráfico también se ha ampliado aún más.
Tales como publicidad , control de riesgos financieros , transporte inteligente , atención médica , ciudad inteligente y otros campos.
Finalmente, permítanme hablar sobre algunos ejemplos de aplicaciones de computación gráfica en la lucha contra el fraude financiero.
En campos relacionados con transacciones monetarias como las finanzas y el comercio electrónico.
Siempre no hay escasez de productos negros activos en él para obtener ganancias ilegales.
Por ejemplo, cobro , cepillado de pedidos , cobro , transacciones falsas , etc.
En comparación con el comportamiento de arbitraje ocasional de los propios usuarios individuales
Esas pandillas de producción negra que reúnen y operan delitos en varios escenarios comerciales con pandillas como unidades.
Sus acciones provocarán mayores y más graves pérdidas económicas a la plataforma
Y la computación gráfica es una buena receta para identificar casos de pandillas.
Mediante el uso de miles de cuentas, comerciantes, equipos, entornos de red, etc. como nodos
Vincule el registro, la transacción y otra información clave como información relacionada
Se puede formar un mapa heterogéneo con una cobertura muy amplia
Combinado con diferentes antecedentes de aplicaciones para determinar el objetivo de reconocimiento
Y seleccione modelos de computación gráfica, muestras, etiquetas, etc.
Entrenamiento de un gráfico con aprendizaje supervisado
Finalmente, en la etapa de inferencia, se genera la salida de probabilidad del nivel de riesgo de los nodos o aristas en el gráfico.
Entonces algunos amigos dirán
Hay muy pocas etiquetas de muestra de alta calidad para escenarios de control de riesgos
No es un gran problema, también hay muchos modelos gráficos que se pueden usar para el aprendizaje no supervisado.
Por ejemplo , el descubrimiento de la comunidad no requiere ninguna información de etiqueta.
El conjunto de nodos más estrechamente relacionado se puede agrupar
en nuestra experiencia
Es uno de los mejores algoritmos gráficos para identificar mafiosos.
Otro ejemplo es el popular aprendizaje autosupervisado y el aprendizaje comparativo de los últimos años.
Aplicado al campo de la computación gráfica, se puede realizar un preentrenamiento no supervisado en el gráfico.
A partir de la naturaleza de la estructura del gráfico y los atributos del gráfico.
Aprende vectores con buen poder de representación para nodos de gráficos
Se puede utilizar en varios modelos inteligentes de control de riesgos aguas abajo
--- ★★★★ ---
Con la reciente explosión de modelos AIGC grandes fuera del círculo
La inteligencia artificial ha dado paso a una nueva ola
En comparación con el lenguaje generativo y los modelos de visión.
La computación gráfica es de hecho un poco más fría
Pero la hermana Nan cree que una buena comida no tiene miedo de llegar tarde.
Los días sin resplandor son todos preparativos para el resplandor.
Tal vez algún día, la computación gráfica también marque el comienzo de su propia búsqueda en caliente.
---- Escrito al final ----
★ Pasaron más de 40 días antes y después de este artículo, y finalmente se completó, lo que puede considerarse como la realización de la idea de la hermana Nan hace unos meses. Debido a la enorme cantidad del proyecto, lo pensé muchas veces durante el proceso, pero afortunadamente, con el apoyo de Xiao Jiang, perseveré y completé el primer capítulo, que no fue perfecto. Si hay tiempo después, Sister Nan seguirá escribiendo, y se esforzará por hacer una serie de artículos con un estilo muy personal. La hermana Nan se ha dedicado al trabajo de control de riesgos durante tres años y dos meses. Este artículo también tiene la intención de rendir homenaje a sus tres años de tiempo algorítmico, rendir homenaje al mentor del muslo Chen que la trajo a la industria y rendir homenaje a los encantadores colegas de control de riesgos que han estado trabajando juntos~
★ Este artículo es solo el primero para probar las aguas, y puede haber imperfecciones o imprecisiones, comprenda y muchas gracias por su paciencia para ver el final ~
★ Las imágenes en este artículo son solo para ilustración e ilustración, y contienen algunos elementos exagerados y humorísticos, por favor no tomen el mismo lugar ~ Cualquier similitud es pura coincidencia ~ Sin intención de ofender ~
★ No es fácil para la hermana Nan producir imágenes y no son perfectas. No utilice las imágenes originales de este artículo para otras ocasiones y propósitos sin permiso.
Este artículo se comparte desde la cuenta pública de WeChat: JD Cloud Developers (JDT_Developers).
Si hay alguna infracción, comuníquese con [email protected] para eliminarla.
Este artículo participa en el " Programa de Creación de Fuentes OSC " Le invitamos a unirse y compartirlo.