Nov, 2019

高阶节点依赖性可扩展的深度生成关系模型

PDF
TL;DR提出了一种基于概率框架的深度生成关系模型，通过高阶邻域结构信息建立了能够处理非线性映射的深层网络架构，并使用了 Dirichlet 随机变量结构的新型数据增强方法，使得在实际数据集中的链接预测表现得到了显著的提高。
deep generative relational modelprobabilistic frameworklatent structurenode feature informationlink prediction
发现论文，激发创造
  • 具有附加信息的关系数据的深度生成模型

    提出一种基于概率框架的深度学习架构，可用于发现重叠社区和关系数据中的链接预测，利用多层潜在特征 / 社区来提高复杂网络上的链接预测性能，通过回归模型将可用的节点属性作为侧面信息，能更好地解释潜在特征，具有高效且可扩展的优点。

    Jun, 2017

  • 基于图的半监督学习的灵活生成性框架

    本文提出了一个基于图结构的半监督学习的生成框架，通过逼近节点特征，标签和图结构的联合分布，使用可扩展的变分推断技术来推断缺失的标签，并在基准数据集上进行了全面的实验，结果表明该方法在大多数设置中优于现有的最先进模型。

    May, 2019

  • 具有数据增强的判别式非参数潜在特征关系模型

    本研究提出一种较为准确地进行关系建模和预测的方法，该方法使用了具有判别性的非参数潜在特征关系模型 (LFRM)，该模型使用概率推理，并将预测损失与贝叶斯模型的概率推理结合使用，并使用不同的规则参数来处理真实网络中不同类型链接的不平衡问题，同时对光滑的逻辑对数损失和分段线性铰链损失进行统一分析。

    Dec, 2015

  • 深度、分层生成模型的架构设计

    本文介绍了一种基于深度生成模型的架构，该架构在训练过程中使用多层的潜在变量，并且在所有潜在变量和输出之间包括确定性路径，以及提供了一组更丰富的连接，这些连接在推理和生成计算之间实现了更有效的信息通信。我们在重构分布中引入了轻量级自回归模型以提高自然图像的性能。实验表明，我们的方法在标准图像建模基准测试中达到了最先进的性能，并且在没有标签信息的情况下可以暴露潜在的类结构，同时可以提供自然图像中被遮挡区域的令人信服的估计。

    Dec, 2016

  • 非参数元数据相关联模型

    介绍非参数元数据依赖关系（NMDR）模型，一种贝叶斯非参数随机块模型用于网络数据，通过学习回归模型，使每个节点上的实体可以在无限多个潜在社区中具有混合成员资格，并且可以依赖和预测任意节点元数据。使用有效的 MCMC 算法从部分观察的节点关系中学习 NMDR 模型，回顾性 MCMC 方法可以直接使用 NMDR 的无限粘性分解表示，避免了有限截断的需要。结果表明，从真实的社交和生态网络中恢复出有用的潜在社区，元数据在链接预测任务中也是有用的。

    Jun, 2012

  • 学习图的深度生成模型

    本文介绍了一种基于图神经网络的强大新方法，用于学习生成模型的过程中捕获图的结构和属性。实验证明，相较于不使用图结构表示的基线，我们的模型常常表现更好，是学习任意图的生成模型的第一个最通用的方法，为从矢量和序列式知识表示的限制中走向更具表现力和灵活性的关系型数据结构开辟了新方向。

    Mar, 2018

  • 关于在关系事件模型中使用神经网络建模非线性效应

    通过引入 Deep Relational Event Additive Model (DREAM) 解决了在建模 Relational Event Models (REMs) 中由非线性效应引起的计算挑战，该方法通过便捷地在图形处理单元 (GPUs) 上进行计算，提高了内存管理效率，并展示了 DREAM 在建模动态网络和扩展到较大规模网络上的能力。

    Dec, 2023

  • 深度结构生成模型

    本文提出了一种新颖的深度结构生成模型，它基于随机与或图来编码场景的结构，并引入了检测网络来推断图像中的场景结构。实验结果表明，该方法不仅能够建模内在结构，还可以生成逼真的图像。

    Jul, 2018

  • 基于深度生成模型的半众包聚类

    本论文考虑基于有噪声的数据子集对聚类问题进行半监督学习，提出一种新的深度生成模型和统计关系模型相结合的方法，并采用贝叶斯推断策略，采用快速（自然梯度）随机变分推断算法进行推断，实验结果显示该方法优于以往的基于众包的聚类方法。

    Oct, 2018

  • 变分图循环神经网络

    本文提出一种新的层级变分 GRNN 模型，引入额外的潜在随机变量来联合建模动态图的隐藏状态。使用半隐式变分推理开发此新 VGRNN 架构（SI-VGRNN）并在多个真实世界的动态图数据集上进行实验，结果表明 SI-VGRNN 和 VGRNN 在动态链接预测中连续优于现有基线和最先进的方法。

    Aug, 2019