ICLRFeb, 2023

通过图神经网络学习可学习的拓扑特征进行系统发育推断

PDF
TL;DR本文提出基于可学习拓扑特征的系统发育推断结构表示方法，通过结合最小化狄利克雷能量的原始节点特征和现代图表示学习技术，该方法可提供高效的系统发育树结构信息，可自动适应不同的下游任务。在模拟数据和具有挑战性的实际数据上进行验证和评估。
phylogenetic inferencetopological structureslearnable topological featuresgraph representation learningbayesian phylogenetic inference
发现论文，激发创造
  • GeoPhy：可微分的基于几何梯度的树拓扑的系统发生演绎

    利用连续几何空间中拓扑分布的独特表示，我们引入了一种新颖的完全可微分的系统发育推断方法 ——GeoPhy，通过在设计空间和梯度估计中考虑实际因素和控制变化量，使得我们能够进行可变拓扑候选项的变分推断，相比考虑完整拓扑结构的其他近似贝叶斯方法，在使用真实基准数据集的实验中，GeoPhy 表现出显著的优势。

    Jul, 2023

  • 深度图像理解的拓扑表示学习

    通过拓扑数据分析法，我们提出了一种新颖的深度学习框架，以更好地分割和不确定性评估复杂的细微结构，如生物医学应用中的神经元、组织和血管，为可扩展的标注提供了有力工具。

    Mar, 2024

  • 利用拓扑特征的深度学习

    本文提出了一种新颖的输入层技术，可以输入拓扑特征的签名到深度神经网络，并在训练过程中学习任务最优的表示方法，分类实验结果表明此技术的多功能性和优越性。

    Jul, 2017

  • 基于拓扑特征训练的神经网络学习不同的内部表示吗？

    本文在探讨训练机器学习模型时使用拓扑数据分析的特征与使用原始数据的区别，通过神经针线和中心核对齐两种流行度量方法来确定内部表征的相似性，研究表明训练和评估基于拓扑特征的模型与基于原始数据的呈结构性差异，但有时可以通过简单仿射变换来调和这种差异。

    Nov, 2022

  • 描述拓扑对图学习任务的影响

    该研究提出了一种度量指标 TopoInf，用于衡量图的拓扑结构对下游任务的影响，并通过上下文随机块模型的解耦 GNN 进行分析，证明了该度量指标的有效性。通过大量实验证明 TopoInf 是衡量拓扑影响的有效度量，并可进一步用于增强图学习。

    Apr, 2024

  • 结构化重建的全面几何特征学习

    通过频域特征学习策略（F-Learn）与几何片段全局性融合，引入结构感知性提高几何原语检测和拓扑推理的性能。

    Sep, 2023

  • 图神经网络增强的拓扑正则化

    本文针对图数据的复杂性和非欧几里德结构，提出了一种基于拓扑正则化的图节点特征增强方法，其中将拓扑结构信息引入端到端模型，并在此基础上运用了对随机游走的无监督表示学习方法获得节点拓扑嵌入，同时使用图神经网络进行传输，有效地提高了性能表现。

    Apr, 2021

  • 从拓扑学角度学习神经网络的连接性

    本文提出了一种基于拓扑结构优化神经网络连接性的方法，通过为边分配可学习参数并施加稀疏约束，更聚焦有关键作用的连接，并获得在图像分类和目标检测等任务中的显著改善。

    Aug, 2020

  • 图神经网络的拓扑感知性和泛化性能研究

    本文介绍了一个综合性框架，用于描述图神经网络在任何拓扑特征上的拓扑感知能力，并研究了拓扑感知对图神经网络的泛化性能的影响。通过案例研究和实证结果，发现提高图神经网络的拓扑感知能力可能会在结构组之间造成不公平的泛化，同时展示了该框架在解决图主动学习中的冷启动问题上的实际适用性。

    Mar, 2024

  • 神经网络层表示的拓扑数据分析

    该论文研究神经网络层内部如何保留拓扑特征。使用拓扑数据分析技术，计算了一个简单前馈神经网络的层表征在类克莱因瓶扭结构变化下的拓扑特征。在较早层，网络看起来近似于同胚，但在较深层时数据的拓扑结构被明显更改，导致持久同调无法计算这些特征。但在具有双射激活函数的网络中，类似的拓扑特征似乎可以更持久地存在。

    Jul, 2022