超几何扩散嵌入与距离用于分层表示学习
本文提出了一种名为 “超宾说外显”(HIE)的方法,通过使用节点到原点的超宾距离(即超宾范数)推导出的无成本分层信息来改进现有的超宾表示方法,并在各种模型和不同任务上的广泛实验中展示了该方法的多功能性和适应性。
Jun, 2023
通过将符号数据嵌入超载空间(或更确切地说是 n 维庞加莱球)来学习符号数据的分层表示的方法,通过实验证明 Poincare 嵌入在具有潜在层次结构的数据上显着优于欧几里得嵌入,无论是在表示能力还是泛化能力方面。
May, 2017
本研究使用新的超几何嵌入方法学习文本数据中的词和句的嵌入,这些嵌入似乎编码了层次结构的某些直觉概念,然而,由于隐含的连续层次结构,这种模型更难以研究其学习层次结构的内部机制。
Jun, 2018
在机器学习中,通过保留相关网络属性的低维嵌入学习图表示是一类重要的问题。本文提出了一种嵌入有向无环图的新方法,使用证明能够更好地模拟树状结构的双曲空间,并使用一组嵌套的测地凸锥来定义分层关系,并证明这些蕴含锥体在欧几里得和双曲空间中均具有一种优化的形式,而且它们可以规范地定义嵌入学习过程。实验显示,我们的方法在表示能力和泛化方面都比最近的强有力的基线有显着的改进。
Apr, 2018
该研究提出了一种嵌入树形数据结构的超 bolic embeddings 算法,无需优化即可实现任意低失真,同时提供了 h-MDS 方法来嵌入广泛的度量空间以及可处理不完整信息和可扩展的 PyTorch 实现。
Apr, 2018
本文介绍了 Disk Embeddings 方法,利用该方法嵌入复杂的有向无环图中,提高机器学习中 DAGs 表达的连续性,Hyperbolic Disk Embeddings 通过处理指数级关系增长,超越了 Order Embeddings 和 Hyperbolic Entailment Cones 的表现,尤其是在复杂 DAGs 中。
Feb, 2019
通过建立基于双曲几何的可解释度度量的几何潜变空间,使用径向和角度几何特性约束的几何潜变过程,HypDiff 框架能有效地捕捉和保留图的拓扑信息,并在各种拓扑结构的图生成中表现出卓越的效果。
May, 2024
介绍了基于超伽马空间表示的图形学习的前沿技术,并重点介绍了超伽马浅层模型和超伽马神经网络技术以及其组件变体的技术细节,同时讨论了超伽马几何图形表示学习的进阶主题。
Nov, 2022