Welcome to the EPRI Steam Generator Degradation Database (SGDD). SGDD is a vehicle to collect, store and report relevant steam generator information. To access SGDD, you must first have an EPRIWeb User Name and Password. To request an EPRIWeb User Name and Password, click here.

In this paper, we propose a novel Structure-broadcasting Graph Dataset Distillation (\textbf{SGDD}) scheme for broadcasting the original structure information to the generation of the synthetic one, which explicitly prevents overlooking the original structure information.

2023年10月24日 · 作者提出了一种名为SGDD(Structure-broadcasting Graph Dataset Distillation)的方法，旨在减少生成图与原图在结构上的差异，进而显著提升生成图在不同框架间的泛化能力。 图数据蒸馏 Partially= 图像数据蒸馏，北航、NUS、CMU提出SGDD：探究结构影响

2024年1月23日 · 基于此，我们提出了一种名为SGDD (Structure-broadcasting Graph Dataset Distillation)的方法，旨在减少生成图与原图在结构上的差异，进而显著提升生成图在不同框架间的泛化能力。 1. 现有方法的问题. 现有的图数据蒸馏 (图压缩)方法往往是将面向图像数据的数据蒸馏方法简单扩展到图数据上，忽视了图结构信息在图数据压缩中的重要影响。 如下图 (a)所示，现有的代表性图蒸馏方法 (GCond [1])采用了典型的梯度匹配 (Gradient Matching)方法得到生成的 …

2023年10月13日 · In this paper, we propose a novel Structure-broadcasting Graph Dataset Distillation (SGDD) scheme for broadcasting the original structure information to the generation of the synthetic one, which explicitly prevents overlooking the original structure information.

2024年8月7日 · 作者提出了一种名为SGDD(Structure-broadcasting Graph Dataset Distillation)的方法，旨在减少生成图与原图在结构上的差异，进而显著提升生成图在不同框架间的泛化能力。 图数据蒸馏 Partially= 图像数据蒸馏，北航、NUS、CMU提出SGDD：探究结构影响

如图所示，我们假设函数是 y=x^2+1 ,那么如何使得这个函数达到最小值呢，简单的理解，就是对x求导，得到 y‘=\frac {1} {2}x ，然后用梯度下降的方式，如果初始值是（0的左边）负值,那么这是导数也是负值，用梯度下降的公式，使得x更加的靠近0,如果是正值的时候同理。 注意：这里的梯度也就是一元函数的导数，高维的可以直接类推之. 在每次更新时用所有样本，要留意，在梯度下降中，对于 \theta_i 的更新，所有的样本都有贡献，也就是参与调整 \theta .其计算得到的是一 …

[本文主要介绍 SGD 算法，和两篇分析它逃离鞍点的论文: 我与鬲融，金驰，黄芙蓉写的 Escaping From Saddle Points – Online Stochastic Gradient for Tensor Decomposition, 以及由金驰，鬲融等人写的最新力作：How to Escape Saddle Points Efficiently] 假如我们要优化一个函数 f (x) ，即找到它的最小值, 常用的方法叫做 Gradient Descent (GD), 也就是最速下降法. 说起来很简单, 就是每次沿着当前位置的导数方向走一小步, 走啊走啊就能够走到一个好地方了.

2023年12月3日 · 随机梯度下降（Stochastic Gradient Descent，简称SGD）是基于梯度的一种优化 算法，用于寻找 损失函数 最小化的参数配置。 SGD通过计算每个样本的梯度来更新参数，并在每次更新中随机选择一个或一批样本。 SGD的原理相对简单。 它通过计算损失函数对每个训练样本的梯度来更新参数。 具体步骤如下： 重复以上步骤，直至达到收敛条件或达到指定迭代次数。 SGD在深度学习中广泛应用于模型的训练过程，特别是在大规模 数据集 和复杂模型的情况下 …

2005年3月1日 · In the paper, the properties of the SGDD are discussed in detail. The effects of the SGDD on a noise-free single Gaussian line and a noise-free Gaussian doublet are studied via simulation. The results indicate that the contrast and resolution loss of the SGDD depends on the ratio of the width of signal derivative and filter length.