ICMLAug, 2020

分形高斯网络：基于高斯乘性混沌的稀疏随机图模型

PDF
TL;DR我们提出了一种新的随机网络模型，称为分形高斯网络（FGN），它具有明确定义和解析追踪的分形结构。
fractal gaussian networkstochastic network modelfractalitygaussian multiplicative chaosrandom graph model
发现论文，激发创造
  • 多重分形网络生成器

    我们提出了一种基于奇异度量的网络构建方法，可生成具有预定统计性质的各种拓扑结构的网络，包括其度分布、聚类系数分布和同配系数分布，并使用模拟退火确定了生成度量的最佳参数。

    Apr, 2010

  • 利用图神经网络将随机动态系统学习作为隐式正则化

    该论文提出了一种基于 Gumbel 图网络的随机模型，能够学习高维度时间序列，捕捉随机性和空间相关性，通过 Kuramoto 的模型比较了两个损失函数的 Hessian 矩阵，实验证明该模型在收敛性、稳健性和泛化性方面都具有优势。

    Jul, 2023

  • 从高斯图模型和高斯自由场学习网络

    通过基于高斯分布的傅里叶分析属性，我们提出了一个新的估计器，可从在网络上重复测量的高斯自由场图中估计加权网络的结构（等价地，其拉普拉斯矩阵），并展示了具体的恢复保证和所需样本复杂度的界限。

    Aug, 2023

  • GSNs：生成随机网络

    提出了一种新的基于马尔科夫链的生成随机网络（GSN）框架作为概率模型的训练原则，并通过具有反向传播的梯度来学习该链的转移算子，该理论提供了关于依赖网络和广义伪似然的有趣解释，试验结果验证了该理论在两个图像数据集中的有效性，并且在训练时不需要层次预训练。

    Mar, 2015

  • 基于图距离模拟网络人口

    本文提出一种新的模型类别，通过引入基于 Frechet 平均图和控制分布密度的参数，以及基于层级 bayesian 方法的策略，实现多网络数据分析和模拟研究。

    Apr, 2019

  • 灵活表示多模块图神经网络以实现更好的泛化

    本文研究了图神经网络的可扩展性和推广性，并提出了灵活的 GNNs 框架，通过多种节点更新函数和内部循环优化，使网络能够灵活适应新图并在多项推理任务中提高泛化能力。

    Sep, 2022

  • 生成流网络用于离散概率建模

    本文提出了一种基于能量的生成流网络 (EB-GFN) 概率建模算法，该算法通过随机构造数据策略来建模生成过程，并将昂贵的 MCMC 探索在从 GFlowNet 中采样的固定数量的操作中分摊开来。我们展示了 GFlowNet 如何近似执行大块 Gibbs 采样以在多个模式之间混合。我们提出了一个框架，共同训练 GFlowNet 与能量函数，使 GFlowNet 学习从能量分布中采样，而能量则通过从 GFlowNet 中获得负样本的近似 MLE 目标进行学习。我们展示了 EB-GFN 在各种概率建模任务中的有效性。

    Feb, 2022

  • CGGM: 一种适用于物联网网络中节点异常检测的具有自适应稀疏性的条件图生成模型

    本文介绍了一种名为 CGGM 的新颖图生成模型，用于在动态图中生成属于少数类的更多节点，并通过自适应稀疏性增强了灵活性，使用多维特征生成器（MFG）生成节点特征和拓扑信息，并通过多阶段损失调整合成数据的分布以更好地模拟真实数据，实验证明 CGGM 的合成数据在各种指标上优于现有方法，有效增强了多类别分类模型的性能。

    Feb, 2024

  • 双曲线图生成器

    本文介绍了一种计算机程序来生成具有超几何空间中随机几何图形模型的网络，并模拟其在不同网络结构特性方面的表现。

    Mar, 2015

  • HiGen：层次图生成网络

    提出了一种新的图生成网络，以获得具有层级结构的图，并通过模块化方法在层级结构的不同级别生成社区，根据多项式分布对层级图中的边进行建模并成功地捕获了局部和全局性质。

    May, 2023