Aug, 2023

建模深度贝叶斯图网络中的边特征

PDF
TL;DR我们扩展了上下文图马尔可夫模型，采用深度且概率的机器学习模型来建模边特征的分布。我们在架构上进行了改进，将边特征映射成离散状态的贝叶斯网络，并用于原始模型。通过这样做，即使在没有边特征的情况下，我们也能构建更丰富的图表示，通过在标准图分类基准测试中的性能改进得到了证实。此外，在边特征至关重要的图回归场景中成功测试了我们的提议，我们展示了所学到的边表示在三个链接预测任务上相对于原始模型的重大性能改进。由于计算复杂度与边数量线性相关，该提议的模型适用于大规模图处理。
发现论文，激发创造
  • 图形的贝叶斯深度学习

    本文讨论了适应性结构数据处理的问题，提出了一种基于贝叶斯深度学习框架的图形学习方法，该方法可用于处理具有不同连续边缘特征的图形，生成无监督的嵌入向量，并展示出良好的性能。该文的最终目标是提供深度学习领域的贝叶斯透视。

    Feb, 2022

  • 上下文图马尔可夫模型：一种深度生成图处理方法

    本文介绍了一种结合了生成模型和神经网络思想的上下文图马尔科夫模型，其基于一种构造性方法来构建深度架构，通过逐步学习编码结构化信息。这种图编码方法与判别模型结合可用于解决结构分类问题。

    May, 2018

  • 自监督边特征改进图神经网络训练

    本文介绍了一种使用自监督和无监督学习相结合的方法创造新的边特征的框架，并结合基于 Popular GNN 架构提取的节点特征，通过一个端到端的训练方案用于节点分类。在三个生物数据集上验证了这种方法，该方法对基线 Graph Attention Network (GAT) 和 Graph Convolutional Network (GCN) 模型有更好的效果，并且通过关注边和节点特征的机制，能够解释决定 COVID-19 的过程和严重程度的细胞类型和基因，为潜在疾病生物标记物和治疗靶点的不断发现做出贡献。

    Jun, 2020

  • 具有附加信息的关系数据的深度生成模型

    提出一种基于概率框架的深度学习架构，可用于发现重叠社区和关系数据中的链接预测，利用多层潜在特征 / 社区来提高复杂网络上的链接预测性能，通过回归模型将可用的节点属性作为侧面信息，能更好地解释潜在特征，具有高效且可扩展的优点。

    Jun, 2017

  • 关于带边特征的图注意力分类阈值

    本文分析了图注意力网络及其在节点分类任务中的能力，通过对上下文随机块模型的探究，证明了在噪声情况下使用边特征的图注意力不如简单的图卷积，但当边特征干净时可以较好地区分内部边和外部边，以此优于经典的图卷积。

    Oct, 2022

  • 上下文定向无环图

    通过将上下文特征映射到加权邻接矩阵上的有向无环图（DAG），并利用具有新颖投影层的神经网络，我们提出了一种处理上下文 DAG 问题的方法，该方法确保输出矩阵稀疏并满足无环性质的最近发展算法，并为学习上下文 DAG 提供了可伸缩的计算框架，同时提供了收敛保证和反向传播投影层的解析梯度。实验结果表明，这种新方法可以在现有方法失败的情况下恢复真实的上下文特定图。

    Oct, 2023

  • 神经图模型

    本研究介绍了神经图模型，该模型采用神经网络作为多任务学习框架，通过表示节点之间的依赖结构及其复杂的函数表示来捕获特征之间的完整的复杂依赖关系，并提供 NGMs 的有效学习、推理和采样算法。NGMs 可以适应包括有向、无向和混合边缘图在内的通用图结构，可以处理混合输入数据类型。经验研究表明，NGMs 能够代表高斯图模型，并从由 CDC 提供的真实世界婴儿死亡数据中提取见解。

    Oct, 2022

  • 学习图的深度生成模型

    本文介绍了一种基于图神经网络的强大新方法，用于学习生成模型的过程中捕获图的结构和属性。实验证明，相较于不使用图结构表示的基线，我们的模型常常表现更好，是学习任意图的生成模型的第一个最通用的方法，为从矢量和序列式知识表示的限制中走向更具表现力和灵活性的关系型数据结构开辟了新方向。

    Mar, 2018

  • 边缘增强的贝叶斯图卷积网络在谣言检测中的传播不确定性研究

    本文针对社交媒体上谣言检测的不确定性问题，首次提出了通过 Edge-enhanced Bayesian Graph Convolutional Network (EBGCN) 探索传播不确定性以提高谣言检测性能，并采用新的边一致性训练框架优化模型的方法。在三个公共基准数据集上进行实验证明，所提出的模型在谣言检测和早期谣言检测任务上均表现优于基准方法。

    Jul, 2021

  • 用可解释的贝叶斯神经网络学习图结构

    从平滑信号观测中的贝叶斯神经网络推断出的图结构学习以及不确定性量化可应用于数据结构不确定性至关重要的中小规模应用。

    Jun, 2024