双曲线图生成器
研究采用非欧几里得超几何模型来探讨复杂网络结构、度分布和拓扑性质,建立了网络结构与统计力学之间的映射,证明这种模型可以最大化网络传输效率,并且对于各种突发的破坏和损坏非常稳健。
Jun, 2010
本文对当前超伽马线图神经网络的技术细节进行了全面的回顾,并将它们统一到一个通用框架中,并总结了每个组件的变体和相关应用,并提出了一些挑战,可能为进一步发展超伽马线空间的图学习成果提供指导。
Feb, 2022
该论文研究了复杂网络中度分布异质性的发生原因,发现隐性双曲空间的指数扩张可以解释度数分布的异质性现象,使用费米 - 狄拉克统计物理解释了超几何距离,通过在超几何空间上嵌入互联网,能够实现只需本地信息的路由。
Mar, 2009
介绍了基于超伽马空间表示的图形学习的前沿技术,并重点介绍了超伽马浅层模型和超伽马神经网络技术以及其组件变体的技术细节,同时讨论了超伽马几何图形表示学习的进阶主题。
Nov, 2022
该研究的主要目的是学习图结构数据,提出了一种基于黎曼流形的新型图神经网络架构,并开发了一种可扩展的算法来模拟图的结构特性,并比较欧几里得和双曲几何。在实验中,我们证明了双曲 GNNs 在各种基准数据集上可以带来实质性的改进。
Oct, 2019
本研究探索图形拓扑的离散曲率和嵌入空间的连续全局曲率的属性,提出了一种基于超边曲率感知的图神经网络(HCGNN),该网络利用离散曲率引导周围消息传递,并同时自适应调整连续曲率。在节点分类和链接预测任务上进行了广泛的实验,结果表明所提出的方法在高超曲线图数据和低超曲线图数据中均优于各种竞争模型。案例研究进一步证明了离散曲率在发现本地集群和缓解超曲线几何引起的畸变方面的有效性。
Dec, 2022
本文介绍了一种基于 Poincaré ball 模型的新型超似曲空间神经网络,该网络构建了多项式逻辑回归、全连接层、卷积层和注意机制,更高效地捕捉数据的分层结构,并在参数效率、稳定性和表现方面优于现有的超似曲组件及欧几里德同类模型。
Jun, 2020
通过将 M"obius gyrovector 空间的形式主义与 Poincarе模型的 Riemannian 几何相结合,我们提出了重要深度学习工具的超几何版本:多项式逻辑回归、前馈和循环神经网络。这样可以在超几何空间中嵌入序列数据并进行分类。实验证明,即使超几何优化工具受限,超几何句子嵌入在文本蕴含和噪声前缀识别任务中的表现要么优于,要么与欧几里得变体相当。
May, 2018