Jun, 2023

基于结构敏感图词典嵌入的图分类

PDF
TL;DR提出了一种结构敏感的图形字典嵌入 (SS-GDE) 框架，并使用 Bernoulli 抽样来调整基本图形键的子结构以适应每个输入。为了使跨图测量敏感并保持稳定，提出了多敏感性 Wasserstein 编码，通过设计多尺度注意力来产生嵌入。在多个图形分类数据集上表明了方法的优越性。
graph dictionary embeddingvariational inferencewasserstein encodinggraph classificationsubstructure sampling
发现论文，激发创造
  • SE-GSL: 通过结构熵优化实现通用且有效的图结构学习框架

    本文提出了一个名为 SE-GSL 的通用图结构学习框架，通过结构熵和在编码树中抽象的图层次来优化图结构的质量和可解释性，它对于各种图神经网络模型具有增强鲁棒性的作用。

    Mar, 2023

  • LGDE：局部基于图的字典扩展

    使用局部基于图的词典扩展方法，结合流形学习和网络科学的工具，通过基于词嵌入的词相似性图和基于图扩散的局部社区检测，发现预定义种子关键词的语义邻域进行关键词发现。在 Reddit 和 Gab 的仇恨言论帖子语料库上验证了该方法相比于基于直接词相似性的阈值方法在关键词扩展方面的优越性，并通过扩展阴谋相关词典的实际用例，通过领域专家收集和分析的数据来定量评估了 LGDE 方法的潜力。

    May, 2024

  • 结构重加权改进图领域自适应

    本文研究图神经网络中的图域自适应问题，提出了一种新方法叫做结构重加权，用于解决现有方法无法适应的条件结构偏移问题，并在合成图、四个基准数据集和高能物理领域的一个新应用中进行了测试，表现出了显著的性能提升。

    Jun, 2023

  • 学习结构感知的深度谱嵌入

    本研究提出了一个深度学习算法，通过结构感知谱嵌入和结构保持，编码输入数据的子空间结构和形状信息，并基于自表达学习和注意力机制，能够更好地处理非线性数据集的聚类问题，并在六个真实数据集上取得了优异的聚类性能和更好的泛化能力。

    May, 2023

  • 基于结构增强的文本表示学习用于高效的知识图谱补全

    本研究旨在整合知识图谱的图嵌入和文本编码技术，以提高自动完成知识图谱的性能，实现更精确的链接预测和结构学习。实验结果表明，该方法能实现与文本编码方法相比 1-2 个数量级的推理成本减少和最先进的性能表现。

    Apr, 2020

  • 一种具有自适应视图图形编码器的结构感知分组歧视：一种快速的图形对比学习框架

    此篇论文主要针对大规模图形表示学习的高成本问题，提出了自适应视图图神经编码器（AVGE）以及结构感知的群体判别（SAGD）方法，通过这两个方法，能够将大规模数据集的训练和推理成本显著降低 250 倍，并且不会丧失下游任务性能。

    Mar, 2023

  • 随机图集嵌入

    本文提出了一种新的高阶随机图嵌入方法（SGE），主要通过一种新的随机搜索过程来提取 / 采样无限高阶图小区域，并将其分布映射到一个给定的图，然后结合最大间隔分类器，能够对数据进行图像识别，并在标准基准数据库上得到了积极的影响。

    Feb, 2017

  • 通过基于字形的解耦字符嵌入和语义子字符增强进行文本分类

    我们提出了一个用于字符文本分类的新框架，并在日语文本分类任务中验证模型性能提高，并通过提出的字符嵌入实现了模型的可解释性。

    Nov, 2020

  • 在线图形词典学习

    我们提出了一种在线图形字典学习方法，这种方法使用 Gromov Wasserstein 距离进行数据拟合项，从而对未注册图表的数据集进行建模，本方法在无监督嵌入图数据集和在线图形子空间估计和跟踪方面表现出良好的实用性。

    Feb, 2021

  • 在相似性图上学习基于语境的单词含义表示

    本文提出了一种新的方法来学习基于视觉的单词含义表示，即在底层模态特定的词语表示上建立相互通信的图形，通过模拟人类相似性判断和概念分类来验证其能力，名为分层多模态相似性图嵌入（HM-SGE）。

    Sep, 2021