提出了一种新的图生成网络,以获得具有层级结构的图,并通过模块化方法在层级结构的不同级别生成社区,根据多项式分布对层级图中的边进行建模并成功地捕获了局部和全局性质。
May, 2023
本文介绍了一种新颖的超图分类算法,通过构建具有任意阶多项交互的超图,并采用超图种群来提高算法的性能和鲁棒性,在两个数据集上评估并证明了其相较于通用的随机森林分类算法具有良好的性能。
May, 2024
本文提出了一种分层的二次随机森林分类器,用于对从多通道数据中提取的多分辨率样本进行分类,该森林在每个决策节点中都包含一个带罚款的多元线性判别式,并处理平方特征以在原始特征空间中实现二次决策边界。
Jun, 2023
提出了一个能够动态调整邻居图的框架,它能够根据中间推理结果的状态和相互连接的结构属性来处理多关系数据,并根据中间推理结果使用不同数量的关系。将链接预测任务制定为对邻域图的推理,并包括初步结果来说明我们提出的框架中不同策略的影响。
Jul, 2016
该论文研究了层次多粒度分类问题,基于所提出的组合损失以及继承父级别特征的方法,设计了一种基于层次残差网络的深度神经网络结构,展示了该方法有效性在通常数据集上优于目前最先进的方法及精细分类方法利用标签层次结构。
Jan, 2022
研究了利用多尺度分解通过层次拓扑信息的新型体系结构,并通过 Girvan-Newman 层次聚类算法生成了一棵树,使得架构可以学习从粗到细的多尺度潜在空间表示,并在基准引文网络上表现出竞争力。
Jun, 2020
本文提出了一种基于贝叶斯网络结构学习的非参数生成模型,采用分层贝叶斯框架来捕捉变量之间的系统性关系,通过 MCMC 算法推导出变量的类别、贝叶斯网络结构和类别间的先验概率,实验证明该方法在小样本数据集中更准确。
Jun, 2012
基于特征的地理定位依赖于将从航空影像中提取的特征与车辆传感器检测到的特征进行关联。本文中,我们提出了一种基于动态加权因子图模型的车辆轨迹估计方法,通过使用 LiDAR 传感器执行的检测中的信息量化来调整权重。同时,在模型中包含了基于 GNSS 的先验(错误)估计。当表示变得模糊或稀疏时,权重会动态调整以依赖于修正后的先验轨迹,从而减少异常值和偏差。我们在一个具有挑战性的模糊环境中与最先进的地理定位方法进行比较,并在其中引起检测损失。我们证明了在其他方法失败的情况下,我们的方法可以减轻所述缺点。
Nov, 2023
我们提出了一种新颖的算法,可以同时进行输入数据的表示学习和层次预测器的学习,该算法通过优化多向节点划分的平衡和易分离性来实现目标函数,从而实现分类误差的上界和提高准确性,并将算法的变体应用于文本分类和语言建模中。
Oct, 2016
在医疗保健等高风险领域中,可以理解模型预测原理同实现高预测准确性一样重要的可解释机器学习已成为利用人工智能的核心。本研究引入了从非监督随机森林构建特征图的新方法和通过这些图派生有效特征组合的特征选择策略,通过在整个数据集和个别聚类上构造特征图,利用树中的父子节点分割,使特征的重要性与聚类任务相关,同时边权重反映特征对的判别能力,从而广泛评估了基于图的特征选择方法在合成和基准数据集上降低维度、改善聚类性能和增强模型可解释性的能力。对于疾病亚类型鉴定的组学数据应用,确定了每个聚类的顶级特征,展示了提出方法在聚类分析中提高解释性和在现实世界的生物医学应用中的实用性。
Apr, 2024