核点聚集下的双曲卷积
本文提出了第一个归纳式的超几何图卷积神经网络 (HGCN),它利用了超几何空间的表达能力和嵌入高度曲率的特点来学习分层和无标度图的归纳式节点表示,并说明了如何将欧几里得输入特征转换为具有不同可训练曲率的超几何嵌入。 实验证明,HGCN 学习到的嵌入保留了分层结构,并且与欧几里得模型相比,即使具有非常低的维度嵌入,也能获得更好的性能:在链路预测中,ROC AUC 误差降低最多为 63.1%,在节点分类中,F1 score 提高最多为 47.5%,也改善了 Pubmed 数据集的最新技术水平。
Oct, 2019
通过将 M"obius gyrovector 空间的形式主义与 Poincarе模型的 Riemannian 几何相结合,我们提出了重要深度学习工具的超几何版本:多项式逻辑回归、前馈和循环神经网络。这样可以在超几何空间中嵌入序列数据并进行分类。实验证明,即使超几何优化工具受限,超几何句子嵌入在文本蕴含和噪声前缀识别任务中的表现要么优于,要么与欧几里得变体相当。
May, 2018
本文介绍了一种基于 Poincaré ball 模型的新型超似曲空间神经网络,该网络构建了多项式逻辑回归、全连接层、卷积层和注意机制,更高效地捕捉数据的分层结构,并在参数效率、稳定性和表现方面优于现有的超似曲组件及欧几里德同类模型。
Jun, 2020
本文介绍了一种利用超几何空间的嵌入方法提高图数据的建模效率和性能的新算法,以及如何通过 Laplace 算子的本征函数来逼近超几何空间中的等度不变核,从而更好地实现了超几何网络的建模。
Feb, 2022
本文提出了一种直接在超伪球面上进行图卷积运算的超伪球面图卷积网络(H2H-GCN),该网络采用保流形图卷积和 Einstein 中点算法来保留全局的超伪球面结构。在链接预测、节点分类和图分类任务中均实现了显著的性能提升。
Apr, 2021
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
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
本研究探索图形拓扑的离散曲率和嵌入空间的连续全局曲率的属性,提出了一种基于超边曲率感知的图神经网络(HCGNN),该网络利用离散曲率引导周围消息传递,并同时自适应调整连续曲率。在节点分类和链接预测任务上进行了广泛的实验,结果表明所提出的方法在高超曲线图数据和低超曲线图数据中均优于各种竞争模型。案例研究进一步证明了离散曲率在发现本地集群和缓解超曲线几何引起的畸变方面的有效性。
Dec, 2022
本文对当前超伽马线图神经网络的技术细节进行了全面的回顾,并将它们统一到一个通用框架中,并总结了每个组件的变体和相关应用,并提出了一些挑战,可能为进一步发展超伽马线空间的图学习成果提供指导。
Feb, 2022