结构化信息传递
该论文提出了一种基于 Simplicial Message Passing 框架来处理分子结构的方法,其中包括用于量子化学性质预测的深度学习体系结构,并比传统的 MPNN 表现更好。
Jun, 2023
本文引入一种新的技术 —— 随机正交序列消息传递(SOSMP)—— 用于计算具有连续随机变量模型中的 BP 固定点,通过对信息的正交级数展开的确定性近似和基础系数的积分更新的蒙特卡洛估计的随机近似 贴近 BP 固定点,此技术已被证明在任何树形图和满足缩小条件的任何图形中的 BP 更新都会收敛到唯一的 BP 固定点的 δ 邻域。同时,我们演示了如何根据所需的近似精度 δ 和兼容性函数的平滑度来选择基础系数的数量,并通过模拟实例和光流估计应用证明了我们理论的正确性。
Dec, 2012
本研究考察了一种用于网络匹配问题的数学规划框架,以及其中的一种稀疏变体,并提出了一种新的消息传递算法,可快速高效地计算大规模网络匹配问题的近似解。我们与两个最佳解算器进行了广泛的模拟比较,其中包括两个合成匹配问题,两个生物信息学问题和三个大型本体匹配问题,包括具有已知标记匹配的多语种问题。
Jul, 2009
本文采用随机协方差矩阵和动力学平均场方程来分析一种用于大型高斯潜变量模型的随机顺序消息传递算法,包括模型不匹配情境和算法收敛的模型参数取值范围.
Feb, 2022
本文提出了一种基于球面坐标系的球面消息传递(SMP)算法和 SphereNet 模型,在可以区分几乎所有分子结构的同时提高了预测性能,证明其在大规模分子中具有高效性和可扩展性的优势。
Feb, 2021
通过在节点特征的基础上传播节点的 One-hot 编码,以学习每个节点周围的本地上下文矩阵以及保证置换等变性的消息和更新函数,我们提出了一种具有强大表达能力和等变性的消息传递框架,用于对图形网络进行建模,实验表明本模型可以更准确地预测合成数据上的图形拓扑性质,并在 ZINC 数据集的分子图回归任务中取得了最优结果。
Jun, 2020
本文研究了概率推断问题在分布式系统中的应用,提出了一种新的基于消息传递的算法,相较于传统的 sum-product 算法,该算法对节点故障和通信失效有更好的稳健性,且在网络拓扑复杂时具有更优的计算复杂度,并用传感器网络定标任务进行了实验验证。
Jul, 2012