本文提出了一种基于大规模数据驱动的框架,通过对动作片段的不需要任务特定的注释或分割的大数据集进行对抗性模仿学习和无监督强化学习来开发可生动表现行为且易于控制下游任务的技能嵌入,并且利用大规模并行 GPU 模拟器的并行计算能力,训练技能嵌入,使其能够学习丰富、多样化的技能,从而使在新的多种任务中表现成功,为物理模拟动画的基础控制策略提供了新思路。
May, 2022
本文通过扩展随机游走模型将其用于知识图谱嵌入中,提出了一种衡量实体之间关系强度的评分函数,并给出了该方法的理论分析和学习目标。在实验中,我们使用了该方法对 FB15K237 和 WN18RR 数据集进行了准确的嵌入学习,为该理论提供了实证支持。
Jan, 2021
本文提出了一种新的无向图嵌入方法,通过建模节点的连边函数,并结合从随机游走中抽样的信息,对图的联通结构进行表达,从而提高了学到的嵌入空间的表现和空间效率。该方法在社交网络、蛋白质相互作用等数据集上均取得了较好的表现。
May, 2017
本文主要介绍了知识图谱及其嵌入方法,并回顾了最近发展的一些基于随机游走的嵌入方法。
Jun, 2024
该论文提出了一个基于随机游走的图嵌入分析框架,包括三个组件:随机游走过程、相似性函数和嵌入算法,该框架不仅可以分类许多现有方法,而且自然地激发新方法,通过它,我们演示了改进下游任务性能的多个尺度嵌入的新方法。此外,我们还发现,基于自协方差相似性的嵌入,在与点积排名进行链路预测时,比基于点互信息相似性的最先进方法表现提高了多达 100%。
Oct, 2021
本文提出一种名为 HoloE 的方法用于学习整个 knowledge graph 的综合空间表示,通过循环相关性来创建组合表示,从而在 link prediction 和 relational learning 等方面超越现有技术。
Oct, 2015
该研究提出了一种名为 GEM-D 的新框架,该框架将图嵌入算法分解为三个构建块:节点接近度函数、变形函数和损失函数。此外,他们提出了一种名为 UltimateWalk 的新算法,它是一键式的(无需用户定义的参数),可扩展并具有闭式解决方案。
Feb, 2017
本文提出了一种新的方法来学习基于视觉的单词含义表示,即在底层模态特定的词语表示上建立相互通信的图形,通过模拟人类相似性判断和概念分类来验证其能力,名为分层多模态相似性图嵌入(HM-SGE)。
Sep, 2021
提出一种新的图级表示学习方法 —— 将整个图形嵌入到一个向量空间中,其中两个图形的嵌入保持其图形 - 图形的关联性。UGRAPHEMB 是一种通用框架,提供了一种全面的无监督和归纳式图级嵌入方法。 通过多尺度节点关注(MSNA)提出一种新的图级嵌入生成机制。在五个真实图形数据集上进行的实验表明,UGRAPHEMB 在图分类、相似性排名和图形可视化任务中具有竞争力的准确性。
Apr, 2019
本文综述了图嵌入技术的各种方法,介绍了三个不同的分类方法的代表性算法,并分析了它们在不同任务上的表现。文章最终结论是提出了一些潜在的应用和未来方向,并介绍了一个名为 GEM 的 Python 库,其中提供了所有介绍的算法作为一个统一的接口,以促进和便利这个领域的研究。