目录：

中日熟语开题报告

Reviews of Geophysics

中日熟语开题报告

1、研究妖怪在日本是一门正正经经的学问，被称为“妖怪学”。最先采用“妖怪学”这个术语的，是在这方面研究卓有成效的、被誉为“妖怪博士”的哲学家井上圆了，他所著的《妖怪学全集》厚厚的6大卷，每卷700至800多页；还有小松和彦编的《日本妖怪学大全》，收录了国际日本文化研究中心一批著名学者研究妖怪的OO，还共同拟定了一个题目“日本妖怪文化的建立和变迁的跨学科研究”。这些学者，分别从哲学、社会学、经济学、文艺学、心理学、医学等方面，对各种怪异现象进行全方位的探究。而中国国内目前还没有专门研究妖怪的学科，对以前妖怪信息的整理也不够全面和系统。甚至出现了很多信息的断层，这一点中国做的没有日本在这方面做得好。而且现在中国的妖怪市场，被日本目前风靡全球的漫画和动画所占领，这样很可能会导致中国妖怪文化的脱节和消失，说不定以后就被日本的妖怪文化所侵占了、

2、井上圆了在《妖怪学》和《妖怪学讲义》中深入考察了不同的妖怪，对实际存在的妖怪为“真怪”、而由误认和恐惧而产生的妖怪为“假怪”、进行分类、将假怪作为迷信的产物而予以排斥。

3、小松和彦主张从妖怪文化是可以看出日本国民的民俗性，妖怪由人的心而生，随着时代的变迁而演变，作为民族文化的一部分，应该从各个方面和层面对妖怪学进行研究。以此来研究民俗学，以小观大，以点观面，从而真真正正的让妖怪学起到它应有的作用。

4、研究妖怪不仅要研究以前遗留下来的各种资料，还要对民俗有一定程度的了解。不仅仅局限于书本上的故事，对于那些在民间广为流传，却没有被记载下来的故事进行重新了解和整理。

Reviews of Geophysics

1、GCN与CNN有很多相似之处。GCN的卷积思想也是基于CNN卷积的优秀表现所提出的，。GCN由于其表达形式和卷积方法特殊性，在节点分类任务(引文网络)中，只有简单的3-4层可以把任务完成的很好。但是对于一些其他的的任务，可能浅层的网络模型没有办法很好的处理数据。但是当把GCN的层数增多之后，会出现梯度消失和over-smoothing的问题，与当时CNN的层数加深出现的问题相似，因此自然想到了应用在CNN上的方法迁移到GCN上。

2、Gl=(Vl,?l)G_l=(V_l,\epsilon_l)Gl?=(Vl?,?l?)和Gl+1=(Vl+1,?l+1)G_{l+1}=(V_{l+1},\epsilon_{l+1})Gl+1?=(Vl+1?,?l+1?)分别是第lll层的输入和输出

3、本文使用一个简单的OOx-pooling顶点特征OO器，在没有可学习参数的情况下，来OO中心顶点与其所有相邻顶点之间的特征差异。使用的更新器是一个有batch norOOlization的多层感知器（MLP）和一个ReLU作为**函数。

4、大多数GCN只在每次迭代时更新顶点特征。最近的一些工作表明，与具有固定图结构的GCN相比，动态图卷积可以更好地学习图的表示。例如，ECC（Edge-Conditioned Convolution，边缘条件卷积）使用动态边缘条件滤波器（dynOOic edge-conditional filters）学习特定边的权重矩阵。EdgeConv在每个EdgeConv层之后，找到特征空间中最近的邻居来重建图形。为了学习点云的生成，Graph-Convolution GAN（生成对抗网络）还应用k-NN图来构造每一层顶点的邻域。动态变化的GCN邻居有助于缓解过度平滑的问题，并产生一个有效的更大的感受野。因此，文中在每一层的特征空间中通过一个Dilated k-NN函数来重新计算顶点之间的边，以进一步增加感受野。