Oct, 2023

通过神经扩散反应过程实现动态张量分解

PDF
TL;DR我们提出了一种动态张量分解方法（Dynamic EMbedIngs fOr dynamic Tensor dEcomposition，DEMOTE），该方法利用神经扩散 - 反应过程来估计每种张量模式中实体的动态嵌入。通过构建一个多部分图编码实体之间的相关性，我们能够捕捉到动态嵌入在不同实体之间的共性和个性，并使用神经网络构建每个实体的反应过程。通过将 ODE 求解器与随机小批量学习算法相结合，我们提出了一种模型估计方法，并展示了我们的方法在模拟研究和实际应用中的优势。
tensor decompositiondynamic embeddingsmultiway data analysistemporal structureneural diffusion-reaction process
发现论文，激发创造
  • 基于高斯过程的文本网络动态嵌入

    本研究提出一种新的文本网络嵌入模型：使用高斯过程的动态嵌入，应用于动态图表征学习中，实现了非参数性的更迭节点嵌入，在节点的表示中结合了文本和结构嵌入，使用扩散模型处理全局和局部结构关系，实验表明，相比基准方法，该方法在链接预测和节点分类上具有更好的实验效果。

    Oct, 2019

  • 动力系统的扩散映射、谱聚类和反应坐标

    本文研究数据分析中的低维数据表示问题，提出了一种名为扩散映射的算法，能够将复杂高维数据嵌入低维欧几里得空间，从而实现长时间演化系统的高效识别与聚类分析。

    Mar, 2005

  • 非参数因子轨迹学习动态张量分解

    该研究提出了一种名为 “NONFAT” 的方法，它使用高斯过程先验和稀疏变分学习算法来实现动态张量分解，以分析伴随有时间信息的多维数据，并应用于多种实际应用中。

    Jul, 2022

  • 动态图上的表示学习

    本文提出了一种基于动态图的归纳式深层表示学习框架（DyRep），能够学习一组函数以高效生成随时间演变的低维节点嵌入，这些嵌入驱动动态图中节点之间的通信与关联，并利用时间为尺度的多元点过程模型来捕获这些动态关系，该研究通过动态链接预测和事件时间预测问题的两个真实世界数据集的实验证明了框架的有效性。

    Mar, 2018

  • DynGEM: 动态图深度嵌入方法

    本文提出了 DynGEM 算法，基于最近深度自编码器对图嵌入的研究，旨在解决动态图嵌入问题，实现了稳定嵌入、适用于不断增长的动态图以及比静态嵌入方法更高效。在多项任务和实验中，DynGEM 表现出优异的稳定性和可扩展性。

    May, 2018

  • 复杂网络的多尺度动态嵌入

    基于控制理论，我们提出了一种描述节点间动态相似性的时间依赖动态相似度度量，该度量可用于减少复杂系统网络的描述，并可用于发现功能模块。通过案例研究，我们展示了该方法在不强连通的有向网络和带符号网络上的应用，并将社区检测方法与控制理论相结合。

    Apr, 2018

  • TEDi: 长期运动合成的时间交织扩散

    我们提出了一种将渐进扩散概念（沿着扩散时间轴操作）扩展到运动序列的方法，用于支持时变去噪，从而将两个轴相互纠缠，通过迭代去噪逐渐增加噪声位移的动作缓冲区，并产生任意长的帧流，为长期运动合成提供了新的框架。

    Jul, 2023

  • 通过数据自适应随机过程从稀缺观察中学习连续网络的新兴动态

    通过稀疏观测数据，我们引入了一种新的随机过程，称为神经常微分方程过程，用于学习连续网络动态，在各种领域中的网络动态具有优秀的数据适应性和计算效率，并可以适应新的网络动态，仅需要约 6% 的观测数据比例，并且显著提高了对新动态的学习速度。

    Oct, 2023

  • 半监督图嵌入动态链接预测方法

    我们在动态网络的链接预测问题中，提出了一种基于半监督图嵌入的方法，使用加权损失函数来同时反映时空和快照结构信息，从而提高模型的预测性能，并在三个真实动态网络上展示了方法的有效性。

    Oct, 2016

  • 扩散生命周期之树：演化嵌入来理解扩散模型的生成过程

    通过 Tree of Diffusion Life（TDL）方法，对扩散模型的生成空间进行采样并利用图像编码器从这些样本中提取语义含义，借助一种新颖的演化嵌入算法明确编码迭代过程并保留高维关系，从而实现对数据演化的可视化，简化了对扩散模型数据演化的理解并提供了有价值的洞见。

    Jun, 2024