Aug, 2023

自适应偏好连接的kNN图与分布感知

HTML
PDF
TL;DR基于图的kNN算法在机器学习任务中广受欢迎，然而传统的kNN图在性能上存在困难，特别是在涉及复杂数据分布的情况下。为了解决这些问题，我们提出了偏好附加k-最近邻图（paNNG），其结合了自适应kNN和基于分布的图构建。通过融合分布信息，paNNG能够大幅提高模糊样本的性能，并将其拉回原始类别，从而提高整体准确性和泛化能力。通过对多种基准数据集的严格评估，paNNG胜过了最先进的算法，展示了它在各种实际场景中的适应性和效能。
发现论文，激发创造
  • 最近邻聚类树剪枝

    通过统计分析，我们揭示了k-NN图的某些子图如何构成底层点分布簇树的一致估计量，并通过慎重选择聚类树的剪枝方式，旨在同时保证删除所有虚假的簇结构并恢复显著的簇，从而在聚类领域得到了首个有限样本的结果。

    May, 2011

  • 本地可解释的机器学习和人工智能：初步结果和未来方向

    该论文介绍了如何结合k最近邻算法与信息论来解决机器学习模型复杂度与可解释性之间的矛盾，以实现全面审计的机器学习和人工智能技术

    Jan, 2019

  • 分类的自适应最近邻规则

    该论文提出了一种改进的K近邻分类器，它可以自适应地为每个查询选择K，该选择取决于每个邻域的属性，因此可能在不同点之间显着变化，并且可以利用条件概率推导推导出一些收敛界限。

    May, 2019

  • 图上的外域泛化：一份综述

    我们综合调查了图形领域中的ODD概括率，并详细审查了最近在这个领域取得的进展，然后根据其在图形机器学习流水线中的位置，从数据、模型和学习策略等不同概念上将现有方法分为三类，并对每个类别进行了详细讨论，最后分享了我们对未来研究方向的看法。

    Feb, 2022

  • 信息修改的K最近邻算法

    提出了一种新的分类方法，名为信息修正KNN（IMKNN），通过引入互信息（MI）来提高K-最近邻算法（KNN）的性能，并从合作博弈论中的Shapley值概念汲取灵感，以优化价值分配。实验结果表明，在不同数据集和评判标准下，IMKNN始终优于其他方法，突出了其在各种分类任务中的优越性能，凸显了IMKNN在增强KNN算法能力方面的潜力。

    Dec, 2023

  • 基于图学习视角优化$k$NN图中的$k$值

    基于图信号处理的方法，优化了$k$-最近邻图($k$NNGs)中$k$的选择问题，通过离散优化问题求解最佳$k$值，从而实现了点云去噪。

    Jan, 2024

  • 超越泛化：关于图上的外域适应性问题调查

    在这篇综述文章中，我们详细回顾了图形OOD（Out-Of-Distribution）适应方法，并根据学习范式和技术对其进行了分类。我们还指出了有前景的研究方向和相应的挑战。

    Feb, 2024

  • 图学习在分布偏移下的研究：领域自适应、离域和连续学习的综合调查

    综述研究了图学习中的分布转变问题及解决方法，将现有的图学习方法分为图领域适应学习、图越域学习和图持续学习三种关键场景，详细讨论了这些场景下的现有进展，并对该领域进行了潜在应用和未来研究方向的分析。

    Feb, 2024

  • 图适应性与可扩展性学习的核心知识学习框架

    本文提出了一种针对图分类的算法，通过吸收来自不同类型任务的观点，旨在增强图分类中的适应性、可扩展性和泛化性，通过学习整个图的核心子图，重点关注与任务相关的最重要特征，从而改善模型性能、增加领域适应性并增强对领域变化的鲁棒性。实验结果表明，与现有方法相比，我们的方法取得了显著的性能提升。

    Jul, 2024

  • 通过参考分布学习进行图分类：理论与实践

    本研究解决了图分类中难以量化图之间相似性和图表示的问题，提出了一种新颖的图参考分布学习（GRDL）方法，该方法通过将GNN层生成的潜在节点嵌入视为离散分布，避免了全局池化操作，基于最大均值差异进行直接分类。实验结果证明，GRDL在一般化能力和效率上均优于现有的GNN方法，训练和推理速度至少快10倍，为实际应用提供了强有力的理论支持和实验验证。

    Aug, 2024