指数族图嵌入

AAAINov, 2019

Exponential Family Graph Embeddings

Abdulkadir Çelikkanat, Fragkiskos D. Malliaros

TL;DR本文提出了一种基于随机游走的网络表征学习技术，使用指数族分布来捕捉节点之间的丰富交互模式，并研究了该模型的三个具体实例，实验结果表明该技术在两个下游机器学习任务中胜过基线方法。

Abstract

Representing networks in a low dimensional latent space is a crucial task with many interesting applications in graph learning problems, such as link prediction and node classification. A widely applied network representation learning paradigm is based on the combination of random walks for sampling context nodes and the traditional \textit{Skip-Gram} model

network representation learning exponential family graph embedding random walk sequences unsupervised learning models machine learning tasks

发现论文，激发创造

指数家族嵌入

本文提出了基于指数族分布的 Word Embeddings 方法，并在神经科学、市场篮子分析和电影推荐系统等领域进行了应用实例研究。该方法能更好地重构保持数据并找到有趣的定性结构。

Aug, 2016

指数族噪声下的图拉普拉斯学习

该研究提出了一种基于图信号处理 (GSP) 框架的图学习方法，可以从平滑图信号到指数族噪声分布的各种数据类型对其进行建模，并通过交替算法估计图拉普拉斯和未观测到的平滑表示来处理图机器学习中的常见挑战，其性能优于其他方法。

Jun, 2023

指数族图匹配和排名

本文介绍了一种在二分图、网页排序和计算机视觉匹配等领域中，学习最大权匹配预测器的方法，并提供了对实验数据的分析。

Apr, 2009

随机游走图嵌入的更广泛视角

该论文提出了一个基于随机游走的图嵌入分析框架，包括三个组件：随机游走过程、相似性函数和嵌入算法，该框架不仅可以分类许多现有方法，而且自然地激发新方法，通过它，我们演示了改进下游任务性能的多个尺度嵌入的新方法。此外，我们还发现，基于自协方差相似性的嵌入，在与点积排名进行链路预测时，比基于点互信息相似性的最先进方法表现提高了多达 100％。

Oct, 2021

零样本学习的简单指数族框架

提出了一个简单的生成模型框架，用于学习预测以前未见过的类，该模型通过估计门限类条件属性分布来实现，与大多数现有的零样本学习方法不同，我们的生成模型自然地将每个类表示为概率分布，可以无缝扩展到少样本学习，并通过在训练过程中使用来自未见过的类的未标记数据提高其条件分布的估计效率。

Jul, 2017

BiasedWalk: 偏置抽样在图表示学习中的应用

提出基于偏置随机游走的可扩展无监督特征学习算法 BiasedWalk，适用于网络的降维和链接预测等任务，并在实验中显示它的优越性。

Sep, 2018

使用随机游走的稀疏近似进行网络嵌入

提出一种基于交通时间的网络嵌入的高效数值实现，使用扩散小波算法得到的网络上的扩散过程的稀疏逼近。通过随机梯度下降法，并对绿函数的低维表示进行采样，计算节点嵌入，并通过多个示例展示了该方法在数据聚类和多标签分类方面的有效性，并比较了其在效率和准确性方面相对于现有方法的性能。还讨论了理论问题来证明该方案的合理性。

Aug, 2023

流形上的谐波指数族

论文定义了一类极其灵活的流形上指数家族分布，使用非交换 Fast Fourier 变换（FFT）的一般化方法提高了对数似然度函数的梯度计算效率。应用于贝叶斯相机运动估计和地震空间分布建模，并且实验结果表明，与最佳竞争方法相比，调和密度的似然性显着更高，同时训练速度快几个数量级。

May, 2015

离散指数族几何及其在指数随机图模型中的应用

该研究重新考虑了与计算最大似然估计困难有关的问题，并将其应用于分析指数随机图模型。该研究揭示了离散指数族分布与凸支撑的正规扇形之间的重要关系，这对于理解 ERG 模型的性质和行为至关重要。

Dec, 2008

指数随机图模型采样一致性

研究网络结构的统计模型中，针对采样亚网络应用整个网络模型来估计参数假设模型在采样下一致，但实际上这个假设会严重限制模型的表达能力，本文针对流行的指数随机图模型进行了讨论并提出了一些可行性条件和可能的解决方法。

Nov, 2011