指数族噪声下的图拉普拉斯学习

Jun, 2023

Graph Laplacian Learning with Exponential Family Noise

Changhao Shi, Gal Mishne

TL;DR该研究提出了一种基于图信号处理 (GSP) 框架的图学习方法，可以从平滑图信号到指数族噪声分布的各种数据类型对其进行建模，并通过交替算法估计图拉普拉斯和未观测到的平滑表示来处理图机器学习中的常见挑战，其性能优于其他方法。

Abstract

A common challenge in applying graph machine learning methods is that the underlying graph of a system is often unknown. Although different graph inference methods have been proposed for continuous graph signals, inferring the graph structure underlying other types of data, such as dis

graph machine learning graph inference graph signal processing exponential family noise distribution laplacian estimation

发现论文，激发创造

指数族图嵌入

本文提出了一种基于随机游走的网络表征学习技术，使用指数族分布来捕捉节点之间的丰富交互模式，并研究了该模型的三个具体实例，实验结果表明该技术在两个下游机器学习任务中胜过基线方法。

Nov, 2019

学习带有拉普拉斯约束的笛卡尔积图

学习 Cartesian 乘积图的问题，统计一致性的 MLE，联合图学习和插补方法

Feb, 2024

基于频谱扩散的图生成

本文介绍了 GRASP 模型，这是一种基于图拉普拉斯矩阵的频谱分解和扩散过程的新颖的图生成模型。我们使用去噪模型从图上采样特征向量和特征值，通过它们可以重构图拉普拉斯矩阵和邻接矩阵。该模型能够处理节点特征，并利用拉普拉斯谱自然地捕捉图的结构特性，在避免其他方法的二次复杂度限制的同时，直接在节点空间中进行操作。我们的实验结果表明，通过截断谱，我们的模型能够更快速而准确地进行生成过程，相对于其他现有方法具有较强的优势。

Feb, 2024

基于拉普拉斯光谱约束的结构化图学习

本文提出了一种基于图拉普拉斯矩阵的谱性质与高斯图模型相结合的统一图学习框架，该算法能够有效地学习一大类图族的结构，并在大规模半监督和无监督的基于图的学习任务上进行实际的应用。

Sep, 2019

图上的高斯过程

通过图拉普拉斯正则化约束目标向量具有特定的图傅里叶变换系数，本文提出了一种基于图的信号的高斯过程，并证明了任何非平凡图的预测方差严格小于传统高斯过程。我们还在各种真实世界的图信号上验证了该方法表现比普通高斯过程更优秀，特别是在小训练数据规模和嘈杂训练下。

Mar, 2018

Fisher-Bures 对抗图卷积网络

本文介绍了一种基于量子信息几何的图卷积网络模型，通过对图的扰动进行特征分解，找到一个有效的扰动方向以改进半监督节点分类任务性能，同时提出了三种不同的图形式学几何，从而提高对图神经网络的理解和发展新技术。

Mar, 2019

使用集合图模型差分隐私学习无向图模型

研究如何使用 Laplace 机制以不确定的理论基础为代价，在一个期望极大化框架内，通过使用集体图模型的形式化方法对真实充分的统计数据进行推理，以解决学习离散的，无向的图模型的问题，以在合成数据和真实的人员流动数据案例研究中获得比竞争方法更好的模型。

Jun, 2017

图卷积高斯过程

提出了一种新的贝叶斯非参数方法，以在非欧几里德域上学习平移不变的关系。该方法可应用于机器学习问题，其中输入观测值是具有普通图形域的函数。并将图卷积高斯过程应用于图像和三角形网格等领域，表明了其多功能性和有效性，与现有方法相比具有优势，尽管是相对简单的模型。

May, 2019

使用 Lanczos 方法在图上进行加速过滤

该论文通过 Lanczos 方法，提出了一种精确、鲁棒、可扩展和高效的算法，用于大规模图的信号处理和滤波，相较于基于 Chebyshev 多项式的现有方法，其在不增加整体复杂度的情况下实现了更高的准确性，并且特别适用于具有大谱间隙的图。

Sep, 2015

基于图高斯过程的贝叶斯半监督学习

提出了一种基于高斯过程的贝叶斯方法对图中的半监督学习问题进行高效数据处理，与目前最先进的图神经网络相比，该模型表现出极强的竞争力，在标记稀少的主动学习实验中超越了神经网络，并且模型不需要验证数据集来控制过拟合。

Sep, 2018