适应性扩散实现可扩展的图学习
节点分类是属性图的核心任务之一,本论文提出了一种称为 DiffusAL 的新型主动图学习方法,通过结合三个独立的得分函数来识别在标记中最具信息量的节点样本,显著提高了标记效率,相较于之前的方法在所有数据集和标注预算中均显著优于随机选择。
Jul, 2023
本研究提出一种新的架构设计,结合了旋转和拓扑不变的图扩散算子和 1x1 卷积的逐点特征学习,从而有效地在不规则图形上传播特征并提高 3D 点云的特征提取和语义分类精度。
Sep, 2018
半监督分类的目标是基于所知少数节点(称为种子)的标签来为图的所有节点分配标签。本文证明了在计算得分之前需要对节点的温度进行居中处理,否则该算法是不一致的。这一关键步骤不仅使得算法在块模型上可以证明是一致的,还在实际图上带来了显著的性能提升。
Nov, 2023
本文提出了一种基于物理学的热核和 DropNode 技术生成时间图增量的方法,用于描述系统的演变行为;同时,还提出了 GDTW 动态时间包裹距离的方法,用于量化演化系统之间的距离,结果在真实世界的结构图数据集上的分类问题中,通过演化核方法获得了显著的分类准确率提高。
Jun, 2023
本文开发了一种在超图上扩散特征和标签的非线性扩散方法,通过超图结构进行扩散可以将其解释为超图平衡网络,并以此为节点内嵌,使用线性模型进行预测。该方法比几种超图神经网络更准确,训练时间也更短。
Mar, 2021
本研究提出了一种新颖的图扩散框架,通过使用噪声扩散迭代对每条边提供不同的隐私保证,以保护图数据的隐私。通过引入 Laplace 噪声和基于度的阈值函数来减轻低度节点引起的高灵敏度。我们的隐私损失分析是基于迭代的隐私放大方法,并通过引入一种新颖的无穷 - 瓦砂均距追踪方法,进一步缩紧了隐私泄露的分析,使得迭代的隐私放大方法更适用于实践。将该框架应用于个性化 PageRank 计算的排名任务中,实验证明在严格的隐私条件下,我们的方法具有优势。
Jun, 2024
本研究中,我们将原型学习引入扩散模型中,以实现比原始扩散模型更快的高生成质量,并在各种数据集和实验环境中展示 ProtoDiffusion 的表现,达到所有设置中更短的时间内最佳性能。
Jul, 2023