将图嵌入罗伦兹时空
本文提出了一种新的嵌入模型,用于表示有向图,并通过将模型应用于语言应用和生物领域中的一系列实际案例,旨在展示该模型的重构能力和预测链接的能力。使用低维度圆柱形闵可夫斯基和反德西时空比高维曲面黎曼流形表现更优。
Jun, 2021
本研究提出了一种新型的节点嵌入方法,通过全局最小化成对相对熵和非线性的图地理路径,将每个节点编码为测量空间上的概率密度函数,并研究了其几何性质和有效的学习过程,实验结果表明,该方法在保留全局地理信息方面优于现有模型,并在无监督设置下在各种评估指标上表现出色。
May, 2019
本文介绍了一种通过动态的边缘曲率来描述网络几何性质的方法,展示了网络演化中的瓶颈边缘和信息传播过程,利用该方法成功地推导出了多尺度社区结构。
Jan, 2021
本文提出了一种基于 Poincare disk(PD)的超几何平面的度量多维缩放(PD-MDS)算法,通过基于初等的超几何线搜索而非黑盒优化器的构建方法,在超几何空间模型中解决了多方面的问题。
May, 2011
该研究提出了一种基于表面的谱广义多维尺度映射 (Spectral-GMDS) 方法,用于计算两个度量空间之间的映射关系,该方法在解决问题时隐含地将映射的平滑性纳入,从而实现了高效的嵌入,并在实验中取得了很好的效果。
Nov, 2013
本文介绍了一种基于最小二乘 (LS-MDS) 的多维缩放方法,并将其置于频谱域中进行了分析,得出了距离缩放的多重分辨率属性,从而加速了优化过程并实现了良好的嵌入效果。
Sep, 2017
本研究探索了在借助矩阵流形学习和优化图嵌入的情况下,如何在曲线里曼尼流形中提高图像嵌入的表现。我们的实验结果证明,在各种衡量不同图形属性的指标基础上,我们通常优于基于超球体和椭球嵌入的欧几里得嵌入,从而为非欧几里得句子嵌入在机器学习流水线中的优势提供了新的证据。
Feb, 2020
本研究利用潜在欧氏空间嵌入纵向网络数据轨迹,提出了一种动态网络模型,采用 MCMC 算法估计模型参数和演员的潜在位置。该模型具有有意义的可视化效果,易于处理方向或无向边,缺失边且很好地用于预测未来边。此外,我们给出了一种新颖的方法来仅使用边信息来检测和可视化演员之间的吸引力。我们使用该模型研究了从荷兰教室和美国众议院成员收集的协同赞助网络中收集的数据,以展示该模型的实用性并使研究人员深入了解网络的演化和结构。
May, 2020