图形几何交互学习
本文阐述了通过将知识图谱嵌入欧几里得空间、双曲空间和高维球面空间,提出了一种基于几何交互方法的知识图谱嵌入(GIE)。实验结果表明,与其他嵌入方法相比,GIE 在三个知识图谱数据集上的表现更加优异。
Jun, 2022
本文提出一种用于半监督图节点分类的 “图推理学习”(GIL) 框架,通过学习节点标签的推理,提高分类性能,定义节点属性、节点路径和局部拓扑结构之间的结构关系,从而方便地从一个节点推导出另一个节点的推理,通过在训练节点到验证节点上进行结构关系的元优化,使学习到的图推理能力更好地适应测试节点。在四个基准数据集上进行了全面评估,结果表明,与半监督节点分类任务中最先进的方法相比,我们提出的 GIL 方法具有卓越的性能。
Jan, 2020
介绍了基于超伽马空间表示的图形学习的前沿技术,并重点介绍了超伽马浅层模型和超伽马神经网络技术以及其组件变体的技术细节,同时讨论了超伽马几何图形表示学习的进阶主题。
Nov, 2022
本文提出了一种新颖的基于注意力的可学习曲率超几何分层知识图嵌入模型(HypHKGE),以在超几何空间中有效地建模知识图中的语义层次结构,并在低维度下表现出色,特别是在链接预测方面。
Apr, 2022
本文通过提出一种名为 GiG 的神经网络结构,并利用输入数据样本及其潜在关系的图表示,用于蛋白质分类和大脑成像应用。利用学习过程中 end-to-end 的参数化模型及潜在的连接结构,实现了在图样本内部以及跨样本的消息传递,并增加了度分布损失以帮助正则化预测的潜在关系结构。最后,所得到的潜在图能够表示患者群体模型或分子簇的网络,提供了在特定健康领域的解释性和知识发现价值。
Apr, 2022
本文提出了一种名为 “超宾说外显”(HIE)的方法,通过使用节点到原点的超宾距离(即超宾范数)推导出的无成本分层信息来改进现有的超宾表示方法,并在各种模型和不同任务上的广泛实验中展示了该方法的多功能性和适应性。
Jun, 2023
该研究的主要目的是学习图结构数据,提出了一种基于黎曼流形的新型图神经网络架构,并开发了一种可扩展的算法来模拟图的结构特性,并比较欧几里得和双曲几何。在实验中,我们证明了双曲 GNNs 在各种基准数据集上可以带来实质性的改进。
Oct, 2019
本文从数据几何的角度出发,研究了在不断变化的数据流中的持续学习问题。研究者提出了一种动态扩展底层空间几何结构的方法,配合使用各向异性空间与混合曲率空间对增长的几何结构进行编码。同时,引入了角度正则化损失与近邻抗扰损失的训练方式,在防止旧数据遗忘的前提下,取得了比欧氏空间方案更好的表现。
Apr, 2023
研究了使用超几何空间模型学习大型分类体系中的嵌入向量,其中 Lorentz 模型的效率高于 Poincaré-ball 模型,并发现该方法可以应用于发现公司组织结构和语言家族之间的历史关系。
Jun, 2018