SIGIRApr, 2022

AHP：学习负样本用于超边预测

PDF
TL;DR本文提出了一种基于对抗训练的超边预测方法，称为 AHP，能够在不依赖于任何启发式方案的情况下学习采样负样本，并在六个真实超图上展示出比现有最佳方法更高的 AUROC，常常甚至优于针对测试集定制的采样方案的变体。
hypergraphsgroup relationshyperedge predictionadversarial trainingauroc
发现论文，激发创造
  • 自适应超图网络用于信任预测

    我们提出了一种自适应超图网络方法（AHNTP），通过使用高阶相关性来提高信任预测的准确性，并利用基于模式的 PageRank 来捕捉高阶社交影响信息，构建超组以整合复杂相关信息，并利用自适应超图图卷积网络（GCN）层和多层感知机（MLPs）生成全面的用户嵌入，从而促进信任关系预测。

    Feb, 2024

  • 基于投影学习的上下位关系抽取通过负采样方法改进

    本文介绍了一种新的基于投影学习和词嵌入的上义词提取方法，并通过使用负例子明确地规范化模型来提高上义词预测性能。

    Jul, 2017

  • 超图中我们需要多少和何时需要高阶信息？—— 以超边预测为例的案例研究

    通过实验得出以下结论：（a）小 n 足以实现精度与近乎完美近似值相当， (b) 当任务变得更加具有挑战性时，大的 n 会带来更多益处， (c) 对于那些成对交互不太能够说出高阶交互的数据集，在降为两两抽象时，将失去很多精度。

    Jan, 2020

  • Ada-HGNN：自适应采样的可扩展超图神经网络

    本研究介绍了一种适用于超图的新型自适应采样策略，并提出了随机超边增强技术和多层感知机模块，通过实验证明了该方法在显著降低计算和内存需求的同时，仍具备与传统超图神经网络和基线模型相当的性能水平，为在广泛应用中提高超图神经网络的可扩展性和效能铺平了道路。

    May, 2024

  • 负采样对知识图谱链接预测的影响分析

    本文通过实证研究，对比了对知识图谱中实体之间关系进行无监督学习的四种嵌入模型（ escal，TransE，DistMult 和 ComplEX）使用不同负采样方法的效果，结果发现使用不同负采样方法得到的效果差异较大，且在不同数据集上表现也各有不同。

    Aug, 2017

  • 学习超图正则化属性预测器

    该研究提出了一种基于超图的属性学习框架 ——Hypergraph-based Attribute Predictor（HAP）。通过将超图用于描述数据中的属性关系，其将属性预测问题转化为带有正则化的超图切割问题，可以应用于属性预测、零样本和 $N$-shot 学习任务中，并在 AWA、USAA 和 CUB 数据库上展现了比同类方法更具优越性的结果。

    Mar, 2015

  • 图表示学习中负采样的理解

    本文研究图表示学习中的负采样对于优化目标和结果方差的重要性，并提出了一种基于自对比近似和 Metropolis-Hastings 加速的负采样方法，MCNS，应用于链接预测、节点分类等任务，并在 19 个实验设置中证明了其优越性。

    May, 2020

  • 探究硬负样本分布对对比知识图谱嵌入的影响

    本文探讨了知识图谱嵌入的关键问题，并提出了使用 Hardness and Structure-aware（HaSa）对抗性 KGE 算法与负样本分布来消除误分类三元组，从而在 WN18RR 和 FB15k-237 数据集上优于现有的 KGE 方法。

    May, 2023

  • 利用上下文感知的自监督学习提升超边预测

    这篇论文介绍了一种名为 CASH 的新型超边预测框架，通过上下文感知节点聚合和自监督对比学习来解决精确超边预测和减轻超边预测中的数据稀疏性问题，同时提出了超边感知增强方法来提高节点和超边的表示能力。

    Sep, 2023

  • 基于最近邻的硬负样本训练时空图神经网络的鲁棒性训练

    通过替换均匀采样的负样本，我们提出了一种改进的基于重要性的负采样的 Tgnn 无监督学习方法，并在三个真实数据集上的实证评估中展示出其提供了一致的优秀性能。

    Feb, 2024