探索紧急通信中的图表示学习
该研究提出了一种名为 GCF 的新方法,利用图卷积网络进行面部表情识别,通过将卷积神经网络用于特征提取,并结合图卷积神经网络层,有效提高了识别准确率,对 CK+,JAFFE 和 FERG 等数据集进行了评估,并证明了 GCF 方法在捕捉微妙面部表情方面的有效性,为人脸表情识别的实际应用提供了更高的准确性和稳健性。
Jul, 2024
本研究基于 $K$-functional 得出的近似结果,探索了定义在图上的函数的近似理论,并建立了使用图卷积网络(GCNs)评估目标函数近似的下界的理论框架,并研究了 GCNs 中通常观察到的过度平滑现象。
Jul, 2024
通过梯度下降来学习分布式算法的消息传递图神经网络(GNNs),当节点在推断期间异步更新时,会产生灾难性的错误预测。本研究探讨了这种失败在常见 GNN 架构中的原因,并将 “隐式定义” GNN 作为一类架构来证明其对部分异步 “hogwild” 推断具有鲁棒性,从而适应了异步和分布式优化领域的收敛性保证。然后,我们提出了一种新颖的隐式定义 GNN 架构,称为能量 GNN。我们证明了这种架构在受多智能体系统启发的各种合成任务上胜过了该类中的其他 GNN,并在实际数据集上实现了竞争性能。
Jun, 2024
大规模语言模型(LLMs)在化学领域中以其准确预测性能、设计新分子、优化合成路径和加速药物和材料发现等能力成为一个强大的工具。本综述讨论了 LLMs 的历史、性能、设计以及在化学领域的挑战和未来方向,特别关注于代理人(agents)及其作为一个跨化学模式的出现。代理人在化学的各个领域中表现出了很好的效果,但依然存在挑战。开发面向特定领域的代理人和开发自主流程与 “副驾驶” 系统的对比对于加速化学进程尚不清楚。一种新兴的方向是开发使用人工智能辅助的多代理人系统。由于该领域的快速发展,已经建立了一个仓库,以追踪最新研究。
Jun, 2024
通过张量收缩表示和张量乘积图扩散理论,本文提出了一种名为 Tensor Product Graph Convolution (TPGC) 的图卷积算子,用于处理带有边特征的图数据分析,以获取有效的边嵌入表示。实验结果表明,所提出的 TPGC 对于多个图学习任务具有很好的效果。
Jun, 2024
利用神经 Bandit 算法解决基于未知传播网络的影响力最大化问题,在实时选择种子节点的同时,通过图卷积网络对影响者的预估奖励进行优化,从而在传播网络未知的情况下,在两个大型真实数据集上显著提高了传播效果。
Jun, 2024
本研究旨在利用事件相机解决传统视频系统的限制,在汽车领域中针对嵌入式实时系统进行集成,通过图卷积网络 (GCN) 的运用保证处理事件系统所需的吞吐量和延迟性。通过针对点云处理的 GCN 架构 PointNet++ 进行硬件优化,实现了模型尺寸的超过 100 倍压缩,并在精度方面仅有较小的减少 (N-Caltech101 分类为 2.3%,N-Cars 分类为 1.7%),从而紧跟 TinyML 的趋势。本文还介绍了一种自定义的基于 FPGA 加速的事件驱动图卷积网络 (EFGCN),并在 ZCU104 SoC FPGA 平台上实现,实现了每秒 13.3 百万事件 (MEPS) 的吞吐量和 4.47 毫秒的实时部分异步处理延迟。此外,本研究还解决了所提出硬件模型的可扩展性,以提高所得到的准确性分数。据我们所知,这是首次在 SoC FPGA 上加速 PointNet++ 网络,也是首次针对实时连续事件数据处理进行图卷积网络实现的硬件架构研究。我们在一个开放的代码库中发布了软件和硬件源代码:this https URL*** (将在被接受后发布)。
Jun, 2024
通过实验比较 19 种处理二分图的链接预测方法,该研究提出了使用图卷积网络(GCN)改进的推荐系统作为二分图链接预测的新解决方案,并发现 GCN 的个性化推荐系统和基于启发式度量的方法如结构扰动法(SPM)都能够取得成功的结果。
Jun, 2024
我们引入了图科尔莫哥洛夫 - 阿诺德网络(GKAN),一种创新的神经网络架构,它扩展了最近提出的科尔莫哥洛夫 - 阿诺德网络(KAN)的原理,用于图结构化数据。通过采用 KAN 的独特特性,尤其是使用可学习的单变量函数而不是固定线性权重,我们为基于图的学习任务开发了一个强大的模型。
Jun, 2024