图形的贝叶斯深度学习
本文提出一种基于贝叶斯网络结构学习的方法,用于无监督结构学习深度神经网络,通过生成图,构建其随机反向,然后构建一个判别图,证明生成图的潜变量之间的条件依赖关系在条件 “分类条件下” 丢失在判别图,从而实现通用网络深层(卷积和密集)的学习结构替代,在保持分类准确性的同时显著减少计算成本。
Jun, 2018
综合人工智能系统需要不仅能够用不同的 ` 感官 '(例如视觉和听觉)感知环境,还需要推断世界的条件(甚至因果)关系及其对应的不确定性。本文综述了贝叶斯深度学习的基本原理及其在推荐系统、主题模型和控制等领域的应用,讨论了贝叶斯深度学习与神经网络等其他相关主题之间的关系和差异。
Apr, 2016
我们扩展了上下文图马尔可夫模型,采用深度且概率的机器学习模型来建模边特征的分布。我们在架构上进行了改进,将边特征映射成离散状态的贝叶斯网络,并用于原始模型。通过这样做,即使在没有边特征的情况下,我们也能构建更丰富的图表示,通过在标准图分类基准测试中的性能改进得到了证实。此外,在边特征至关重要的图回归场景中成功测试了我们的提议,我们展示了所学到的边表示在三个链接预测任务上相对于原始模型的重大性能改进。由于计算复杂度与边数量线性相关,该提议的模型适用于大规模图处理。
Aug, 2023
该研究综述了将深度学习方法应用于普适图形数据的现有五类模型结构和训练策略:图循环神经网络、图卷积网络、图自编码器、图强化学习和图对抗方法,并提出了潜在的未来研究方向和应用领域。
Dec, 2018
介绍了一种称为贝叶斯深度学习的统一框架,将深度学习和贝叶斯模型紧密融合,以提高高层次推理的性能并增强深度学习的感知能力。讨论了它在推荐系统、主题模型和控制等领域的应用,以及与贝叶斯神经网络的关系和区别。
Aug, 2016
本文介绍了一种基于图神经网络的强大新方法,用于学习生成模型的过程中捕获图的结构和属性。实验证明,相较于不使用图结构表示的基线,我们的模型常常表现更好,是学习任意图的生成模型的第一个最通用的方法,为从矢量和序列式知识表示的限制中走向更具表现力和灵活性的关系型数据结构开辟了新方向。
Mar, 2018