May, 2023

事件骨架生成的扩散模型

PDF
TL;DR通过引入嵌入和舍入技术及自定义基于边缘的损失函数，将离散事件图形转换为可学习的潜在表示，并提出去噪训练过程来维持模型鲁棒性，我们提出了一种新颖的扩散事件图模型（DEGM），该模型能保证在模式生成过程中逐步优化的潜在表示中进行错误修正，实验结果表明 DEGM 优于其他最先进的基线模型。
event skeleton generationevent schema inductiondiffusion event graph modellatent representationerror correction
发现论文，激发创造
  • 未来不是单一维度的：通过图模型进行复杂事件模式识别以进行事件预测

    研究介绍了一种基于图的时间复杂事件模式表示方法、事件预测模型及语料库，该模型可以高效地构建和评价图形式的事件模式，并且比线性表示方法更加优越，具备更高的预测能力。

    Apr, 2021

  • 基于架构指导的事件图补全

    本研究提出了一种用于完成事件图的方法，通过利用事件图的模式结构来预测要添加到已实例化的架构子图中的候选事件节点并达到了最先进的性能结果。

    Jun, 2022

  • 谱扩散快速生成图

    该论文提出了一种基于图谱扩散的高效而有效的 Graph Spectral Diffusion Model （GSDM），相较于基于整个图邻接矩阵空间的扩散模型，该模型能够更好地学习生成拓扑结构更好的图数据，而实验结果表明该模型不仅可以生成质量更高、而且计算消耗也更小。

    Nov, 2022

  • 离散扩散模型下的高效度指导图生成

    本文提出了一种名为 EDGE 的新型扩散生成图模型，通过在每个时间步骤随机删除边并最终获得空图的离散扩散过程，鼓励图结构的稀疏性，使其更有效率地生成包含上千节点的大型图，并明确将图中节点度数建模，与基线模型相比，生成的图像质量更高，具有更相似的图统计特征。

    May, 2023

  • 基于证据理论的时态感知图论社交事件检测

    提出了一种 ETGNN 方法以在社交媒体上检测社交事件，该方法基于图神经网络，具有时态感知和确定性理论，通过创新的临时感知集成器和证据深度神经网络对不同视图进行处理，最终实现了准确，可靠和鲁棒的社交事件检测。

    May, 2022

  • 基于评分的随机微分方程系统的图生成建模

    提出了一种基于得分的图生成模型，采用连续时间框架下的新图扩散过程，通过随机微分方程系统对节点和边缘进行联合分布建模，并提出了适用于该过程的新颖得分匹配目标，通过求解反向扩散过程的方程系统高效采样。通过对多个数据集的验证，该方法在生成具有挑战性的现实世界图形时获得了优异的性能，并能够生成符合 训练分布的分子，表明其对于节点 - 边缘关系的建模具有有效性。

    Feb, 2022

  • 使用场景图进行 3D 场景扩散引导

    使用场景图进行 3D 场景扩散引导的新方法，通过在去噪网络中使用关系图卷积块来利用场景图提供的相对空间信息，显著提高了场景描述与生成场景之间的对齐。

    Aug, 2023

  • 增量提示和验证的开放域层次事件模式归纳

    通过利用大型语言模型，将事件图谱识别为一种常识性知识形式，并提出一种增量提示和验证方法，可以直接处理事件之间的层次关系和时间关系。相较于其他方法，可以提高 F1 值。

    Jul, 2023

  • 基于提示的图模型用于联合自由事件抽取和事件模式归纳

    事件抽取任务旨在识别和分类事件，并根据事件模式找到其参与者。我们提出了一种基于提示的图模型用于自由事件抽取，该模型使用基于提示的方法获取候选触发器和参数，并构建异构事件图来编码事件内部和事件间的结构。实验结果表明，我们的方法在预定义事件模式下或无预定义事件模式下都能取得出色的性能，并且自动检测到的事件模式质量高。

    Mar, 2024

  • EMDM：快速、高质量运动生成的高效运动扩散模型

    引入高效动作扩散模型（EMDM）用于快速高质量的人体动作生成，通过建模复杂的去噪分布在多个采样步骤中实现更大的采样步长和较少的步骤，加速生成过程并保持高质量的运动生成。

    Dec, 2023