Oct, 2023

超图回响状态网络

PDF
TL;DR这篇文章介绍了一种超图回声状态网络（HypergraphESN）作为图回声状态网络（GraphESN）的推广，旨在高效处理超图结构数据，并导出了算法的收敛条件，讨论了与 GraphESN 相比的多样性。对于超图结构数据，对二元分类任务的数值实验表明，HypergraphESN 与 GraphESN 相比具有相当或更好的准确性性能，并且准确性会随着发现网络中更多的高阶交互作用而增加。
hypergraphecho state networkgeneralizationhypergraph-structured datahigher-order interactions
发现论文，激发创造
  • 使用图回声状态网络解决节点分类中的异质性问题

    在异质性图上处理节点分类任务是具有挑战性的，本文提出使用图回声状态网络（Graph Echo State Network，GESN）来解决这一挑战。结果表明，与完全训练的深度模型相比，GESN 能够实现更好或相当的精度，同时在效率 / 准确性平衡方面有所改进，并且能够有效编码图节点的结构关系。

    May, 2023

  • 深度回声状态网络 (DeepESN): 简要概述

    本文总结了 DeepESN 的发展、分析和应用，详细阐述了深度循环神经网络、储水池计算和状态动力学等方面的现有研究成果。

    Dec, 2017

  • 超图自我网络及其时间演化

    本文提出了用超图的 ego 网络结构建模高阶单节点交互，并提出了超图 ego 网络的时间重构作为预测超图局部时空结构的模型的基准问题。研究者们将深度学习二元分类器与爬山算法相结合，以跨多种领域找到的结构模式为基础，提出了重构超图 ego 网络的模型。

    Dec, 2021

  • 用图神经网络进行超图节点分类

    在节点分类的背景下，本文理论上证明了在超图上，大多数 HyperGNN 可以使用带有超图的加权团展开的 GNN 进行近似。通过加权团展开的 GNN，我们提出了一种简单高效的框架 WCE-GNN，用于超图节点分类，并在九个真实超图节点分类基准上的实验证明了 WCE-GNN 相比于最先进的 HyperGNN 具有更高的分类准确性，以及更好的内存和运行时效率。

    Feb, 2024

  • Echo State Networks 中学习输入和循环权重矩阵

    本文主要介绍了一种利用 ESN 网络输出单元的线性特性，简化学习输入和循环矩阵的技术方法，并将其与 BPTT 技术相比较，发现该方法在信号分类方面表现更好。

    Nov, 2013

  • HNHN: 具有超边神经元的超图网络

    该论文提出了一种基于超图卷积网络的新型框架 HNHN 来进行超图表示学习，其中包括非线性激活函数和灵活的归一化方案，实验结果表明与现有方法相比，在真实世界数据集上表现更好，具有更高的分类精度和速度。

    Jun, 2020

  • 深度回声状态网络与不确定性量化在时空预测中的应用

    介绍了一种应用于非线性、多元时间序列的深度集成 ESN 模型及其在美国长期土壤湿度预测中的应用。

    Jun, 2018

  • 基于特征的回声状态网络：实现储备计算机可解释性与简约性的一步

    提出了一种新颖且可解释的循环神经网络结构，采用回声态网络（ESN）范例进行时间序列预测，并通过较小的并行储备池驱动不同输入组合的特征，非线性组合以产生输出，其预测能力表现优于传统单储备池 ESN。

    Mar, 2024

  • 从超图能量函数到超图神经网络

    本文提出基于超图正则化能量函数的多个超图神经网络，论述了如何将最小化这些能量的结点嵌入技术，与参数化分类器结合进行端到端训练的过程，并通过实验证明了其优秀性能。

    Jun, 2023

  • 关于超图神经网络的表达能力和泛化性

    研究了超图神经网络的表达能力、学习和（结构）通用性的框架，着重研究如何从有限数据集中学习，并对任意输入大小的图推理问题进行结构上的泛化。

    Mar, 2023