Apr, 2022

HINNPerf: 可配置系统性能预测的分层交互神经网络

PDF
TL;DR通过使用 HINNPerf 模型，结合嵌入方法和分层网络块，提高了可配置系统性能预测的准确度并设计了一种层次正则化策略，使其更容易理解和识别影响性能的重要配置选项。实证结果显示在真实可配置系统上，该方法比现有的方法平均提高 22.67％的预测精度，并通过集成梯度发现了配置选项的相互作用复杂性和重要性，从而帮助用户和开发人员更好地了解可配置系统。
configurable systemsperformance predictionneural networkshierarchical architectureconfiguration options
发现论文，激发创造
  • 异构图上基于邻域的高效交互模型推荐

    本论文提出了一种名为 NIRec 的邻域交互模型，旨在提高基于异构信息网络的推荐性能，通过探索节点互动模式并采用卷积方式进行有效的学习，本模型较现有方法表现更佳。

    Jul, 2020

  • 原型增强的超图学习用于异构信息网络

    本研究介绍了一种新的原型增强的超图学习方法，用于异构信息网络中的节点分类，通过使用超图而不是图来捕捉节点之间的高阶关系和提取语义信息，方法利用原型的力量提升超图学习过程的稳健性，并有潜力为人类提供理解底层网络结构的见解。对三个真实世界的异构信息网络进行了广泛实验验证了我们的方法的有效性。

    Sep, 2023

  • 隐私保护推荐的联邦异构图神经网络

    该论文提出了一种基于异构图神经网络的联邦框架，用于在分布式的异构信息网络中协同训练推荐模型，保护用户隐私并恢复由于数据分布存储产生的破坏的元路径语义。

    Oct, 2023

  • 通过异质信息网络的综合转录，简化嵌入式学习

    通过 HEER 算法对边表现和异构度量的妥善学习，解决了综合转录异构信息网络的挑战，并在真实数据集上展示了模型的有效性和边表现和异构度量的实用性。

    Jul, 2018

  • DeHIN：一个去中心化框架，用于嵌入大规模异构信息网络

    本文介绍了一种基于超图的分布式节点嵌入学习框架 DeHIN，通过分布式的超图划分和开发基于超图的并行化节点嵌入算法，实现了对异构信息网络的高效节点嵌入学习和分布式处理。

    Jan, 2022

  • 社交网络中级联预测的层次信息增强网络

    我们提出了一种新颖的 Hierarchical Information Enhancement Network (HIENet) 用于级联预测，将信息级联、用户社交图和子级联图集成到一个统一的框架中，并引入了多模式级联变压器来强大地融合这些线索，从而全面了解级联过程。通过广泛的实验证实了该方法的有效性。

    Mar, 2024

  • 具有隐私保护的层次模糊神经网络用于异构大数据

    提出一种隐私保护的分层模糊神经网络模型，采用两阶段优化算法，低层参数由基于交替方向乘子法的方案学习，高层协调由交替优化法处理，通过全面模拟表明该模型在回归和分类任务上均具有很好的效果

    Sep, 2022

  • DHEN: 用于大规模点击率预测的深度和分层集成网络

    DHEN 是一种深度和分层集成架构，可以利用异构交互式模块的优势，并以不同顺序学习交互作用的层次结构。在大规模的 CTR 预测任务中进行的实验表明，DHEN 的效果很好，达到了预测的标准化熵（NE）提升了 0.27％，训练吞吐量比现有技术基准提高了 1.2 倍。

    Mar, 2022

  • 面向推荐的异构信息网络嵌入

    本文提出一种基于异构网络嵌入的方法 HERec 来解决 HIN-based 推荐系统中的冷启动问题，该方法通过设计基于元路径的随机游走策略来嵌入 HINs，并通过一组融合函数将学习到的节点嵌入首先转换为扩展矩阵分解模型。HERec 模型通过实验表明其有效性，并表明从 HINs 转换的嵌入信息可以改善推荐性能。

    Nov, 2017

  • 通过因果发现和领域知识融合提升神经网络性能

    我们提出了一种名为因果感知神经网络（CINN）的通用方法，用于将观测变量之间的层次化因果结构编码到神经网络中，从而提高其预测性能。通过将因果性结构化知识映射到神经网络的逐层设计中，CINN 通过连续优化问题将因果关系发现转化为定向无环图（DAG）学习来系统地从观测数据中发现因果关系，并通过专用架构和定制的损失函数将发现的层次化因果结构编码到神经网络中，实现了中间节点和叶节点的联合学习，显著提高了预测性能。

    Nov, 2023