基于高斯过程的文本网络动态嵌入

AAAIOct, 2019

基于高斯过程的文本网络动态嵌入

Dynamic Embedding on Textual Networks via a Gaussian Process

Pengyu Cheng, Yitong Li, Xinyuan Zhang, Liqun Cheng, David Carlson...

TL;DR本研究提出一种新的文本网络嵌入模型：使用高斯过程的动态嵌入，应用于动态图表征学习中，实现了非参数性的更迭节点嵌入，在节点的表示中结合了文本和结构嵌入，使用扩散模型处理全局和局部结构关系，实验表明，相比基准方法，该方法在链接预测和节点分类上具有更好的实验效果。

Abstract

textual network embedding aims to learn low-dimensional representations of text-annotated nodes in a graph. Prior work in this area has typically focused on fixed graph structures; however, real-world networks are often dynamic. We address this challenge with a novel end-to-end node-em

textual network embedding dynamic graphs gaussian process diffusion node classification

发现论文，激发创造

文本网络嵌入的扩散映射

采用扩散映射对词语网络嵌入进行建模，以更好地捕捉文本之间的语义联系，并提供一种新的目标函数来有效保留多阶接近度。该方法在顶点分类和链路预测任务上优于最先进的方法。

May, 2018

动态词向量

该研究提出了一种基于概率的语言模型，可以跟踪个别单词随时间的语义演变，并通过嵌入空间中的潜在轨迹表示单词和上下文。研究发现，该动态模型推断的单词嵌入轨迹更易解释，并且具有更高的预测性可能性。

Feb, 2017

DynGEM: 动态图深度嵌入方法

本文提出了 DynGEM 算法，基于最近深度自编码器对图嵌入的研究，旨在解决动态图嵌入问题，实现了稳定嵌入、适用于不断增长的动态图以及比静态嵌入方法更高效。在多项任务和实验中，DynGEM 表现出优异的稳定性和可扩展性。

May, 2018

小数据学习的概率嵌入深度核方法

通过使用概率神经网络学习概率嵌入深核，我们可以解决高维数据的表示学习和数据效率之间的问题，实验结果表明，我们的方法在监督和半监督学习中均优于现有的高斯过程核方法，并且扩展到其他小数据范例，在 mini-Imagenet 和 CUB 数据集上胜过先前的方法。

Oct, 2019

高斯过程的线性嵌入主动学习

提出一种主动学习方法，用于发现高维高斯过程任务中的低维结构，同时引入一种新技术，用于近似边缘化高斯过程超参数，从而提供在高维空间中执行高效的高斯过程回归、积分或贝叶斯优化的方法。

Oct, 2013

图卷积高斯过程

提出了一种新的贝叶斯非参数方法，以在非欧几里德域上学习平移不变的关系。该方法可应用于机器学习问题，其中输入观测值是具有普通图形域的函数。并将图卷积高斯过程应用于图像和三角形网格等领域，表明了其多功能性和有效性，与现有方法相比具有优势，尽管是相对简单的模型。

May, 2019

每个文档都有其结构：通过图神经网络进行归纳文本分类

本文介绍了一种基于图神经网络的新方法 TextING，可用于词嵌入和归纳文本分类，并在四个基准数据集上进行了实验，取得了超过现有文本分类方法的优异成果。

Apr, 2020

稳定动态网络嵌入的简单而强大框架

本文研究动态网络嵌入的问题，通过应用已建立的静态网络嵌入方法到扩展的展开邻接矩阵，实现对动态网络中节点的解释性和强大的嵌入表示，提供理论保证和假设测试框架以评估动态网络嵌入质量，并证明我们提出的稳定展开方法不仅更易解释，而且比不稳定方法更有表现力。

Nov, 2023

时序网络的高斯嵌入

TGNE 是一种创新方法，通过在潜在空间中使用高斯分布的分段线性轨迹将节点嵌入，捕捉结构信息和轨迹的不确定性。结果表明，TGNE 在重新构建未观察到的边交互以及建模不确定性方面具有竞争力。

May, 2024

通过神经扩散反应过程实现动态张量分解

我们提出了一种动态张量分解方法（Dynamic EMbedIngs fOr dynamic Tensor dEcomposition，DEMOTE），该方法利用神经扩散 - 反应过程来估计每种张量模式中实体的动态嵌入。通过构建一个多部分图编码实体之间的相关性，我们能够捕捉到动态嵌入在不同实体之间的共性和个性，并使用神经网络构建每个实体的反应过程。通过将 ODE 求解器与随机小批量学习算法相结合，我们提出了一种模型估计方法，并展示了我们的方法在模拟研究和实际应用中的优势。

Oct, 2023