ICMLMar, 2020

使用 Geo2DR 学习图形的分布式表示

PDF
TL;DRGeo2DR 是一个用于无监督学习的 Python 库，通过使用离散子结构模式和神经语言模型处理图形结构数据，并包含了基于 PyTorch 的流行图分解算法和神经语言模型的高效实现，有助于构建能够学习图的分布式表示的系统。该研究通过广泛使用的图分类基准对现有方法进行重新实现和比较，证明了 Geo2DR 在已发布的方法中具有高度的再现性和与其他库实现互操作性。
发现论文，激发创造
  • 使用 PyTorch Geometric 进行快速的图形表征学习

    PyTorch Geometric 是一个基于 PyTorch 的深度学习库，用于处理不规则结构的输入数据，如图形，点云和流形。该库通过利用稀疏 GPU 加速，提供专用的 CUDA 内核以及引入对不同大小的输入示例的高效小批量处理，实现了高数据吞吐量。本文详细介绍了该库，并在同质评估场景下对实现的方法进行了全面比较研究。

    Mar, 2019

  • 通过最大化速率减小实现几何图表示学习

    提出了一种基于几何的无监督图表示学习方法（G2R），它将节点映射到不同的子空间中，并通过最大程度地减小速率来进行优化，并在各种基准测试中表现出优异的节点分类和社区检测任务性能。

    Feb, 2022

  • 走向地理分布式机器学习

    该论文介绍了一种名为 GDML 的新型学习问题，旨在解决全球分布式数据的学习问题，提出了一种新的方法进行地理分布式培训，可同时应对法规制约和隐私等问题，并在三个真实数据集上进行了实证评估。

    Mar, 2016

  • 亿级图的分布式图神经网络训练

    本文介绍了 DistDGL 系统，作为基于 Deep Graph Library（DGL）进行开发的图神经网络（GNN）的分布式训练系统，具有高效、可扩展性等优点。该系统采用了高质量且轻量级的最小割图划分算法，并支持非本地节点组成的自我网络进行小批量训练。经过优化后，该系统可以在线性速度下训练高质量的模型，并且在 16 台机器上只需 13 秒完成 100 万节点和 30 亿边数的图的训练。

    Oct, 2020

  • 分子表示的几何深度学习

    该综述介绍了基于对称信息的神经网络的几何深度学习在分子建模领域的应用，强调了所学到的分子特征和他们与传统分子描述符相互补充的重要性，并给出了该领域未来的发展前景。

    Jul, 2021

  • GDL-DS：基于分布偏移的几何深度学习基准

    提出了 GDL-DS，一个综合的基准评估，旨在评估 GDL 模型在具有分布偏移的场景中的性能，涵盖多样的科学领域，包括粒子物理学、材料科学和生物化学，并研究了三个层次的信息访问从测试数据中获取，对于 DGL 研究者和领域从业者在应用中使用 DGL 提供了深入分析的评估结果来提供见解。

    Oct, 2023

  • 几何深度学习：网格、群、图、测地线和规范

    通过统一的几何原理，深度学习可以更好地揭示基本规律，提供数学框架来研究卷积神经网络、循环神经网络、图神经网络和变压器网络等神经网络，且可以将物理学知识结合到神经网络结构中，从而提供了未来神经网络结构的原则性方法。

    Apr, 2021

  • Doc2Graph: 一种基于图神经网络的任务无关文档理解框架

    这篇研究文章介绍了一种基于 GNN 模型的文档理解框架 ——Doc2Graph，可用于处理不同类型文档的不同任务，如发票布局分析及表格识别等，旨在提高信息提取的效率。

    Aug, 2022

  • 几何深度学习：超越欧几里德数据

    本文主要探讨了几种几何深度学习问题以及目前存在的解决方案、主要困难、应用和未来研究方向。这些问题涉及非欧几里得域，需要使用结构化的深度神经模型来解决。

    Nov, 2016

  • GeoDTR+: 通过几何解缠实现通用跨视角地理定位

    GeoDTR + 通过增强的 Geometric Layout Extractor 模块以及 Contrastive Hard Samples Generation 实现了在 CVUSA、CVACT 和 VIGOR 等数据集上相对较高的交叉区域准确率，并保持了与现有方法相当的同一区域准确率。

    Aug, 2023