ICMLFeb, 2019

有向无环图的双曲盘嵌入

PDF
TL;DR本文介绍了 Disk Embeddings 方法，利用该方法嵌入复杂的有向无环图中，提高机器学习中 DAGs 表达的连续性，Hyperbolic Disk Embeddings 通过处理指数级关系增长，超越了 Order Embeddings 和 Hyperbolic Entailment Cones 的表现，尤其是在复杂 DAGs 中。
directed acyclic graphsdisk embeddingsmachine learninghyperbolic disk embeddingscomplex dags
发现论文，激发创造
  • 学习分层嵌入的双曲包含锥

    在机器学习中，通过保留相关网络属性的低维嵌入学习图表示是一类重要的问题。本文提出了一种嵌入有向无环图的新方法，使用证明能够更好地模拟树状结构的双曲空间，并使用一组嵌套的测地凸锥来定义分层关系，并证明这些蕴含锥体在欧几里得和双曲空间中均具有一种优化的形式，而且它们可以规范地定义嵌入学习过程。实验显示，我们的方法在表示能力和泛化方面都比最近的强有力的基线有显着的改进。

    Apr, 2018

  • 超几何扩散嵌入与距离用于分层表示学习

    本文提出了一种新的基于扩散流形学和双曲几何学的分层数据嵌入和距离测量方法，理论上可以恢复分层结构，并且在图嵌入基准和分层数据集上证明了其有效性和优势。

    May, 2023

  • 超几何空间中图的神经嵌入

    通过在超宇宙中学习神经嵌入，可以在图结构数据中提高特征表达的性能，我们的实验证明了在自然几何形态下嵌入图可以显著提高多个实际数据集的性能。

    May, 2017

  • 在双曲空间中嵌入文本

    本研究使用新的超几何嵌入方法学习文本数据中的词和句的嵌入，这些嵌入似乎编码了层次结构的某些直觉概念，然而，由于隐含的连续层次结构，这种模型更难以研究其学习层次结构的内部机制。

    Jun, 2018

  • 双曲神经网络

    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

  • 双曲曲率图神经网络

    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

  • 超几何嵌入的表征权衡

    该研究提出了一种嵌入树形数据结构的超 bolic embeddings 算法，无需优化即可实现任意低失真，同时提供了 h-MDS 方法来嵌入广泛的度量空间以及可处理不完整信息和可扩展的 PyTorch 实现。

    Apr, 2018

  • 低维双曲知识图谱嵌入

    本文介绍了一种超几何知识图嵌入方法，可以同时捕捉层次结构和逻辑模式，并在现有方法的基础上提高了平均倒数排名（MRR）达 6.1%。

    May, 2020

  • 超几何分层知识图谱嵌入的低维链接预测

    本文提出了一种新颖的基于注意力的可学习曲率超几何分层知识图嵌入模型（HypHKGE），以在超几何空间中有效地建模知识图中的语义层次结构，并在低维度下表现出色，特别是在链接预测方面。

    Apr, 2022

  • Poincaré 嵌入用于学习分层表达

    通过将符号数据嵌入超载空间（或更确切地说是 n 维庞加莱球）来学习符号数据的分层表示的方法，通过实验证明 Poincare 嵌入在具有潜在层次结构的数据上显着优于欧几里得嵌入，无论是在表示能力还是泛化能力方面。

    May, 2017