Nov, 2023

AMES：一种用于潜在图推断的可微嵌入空间选择框架

HTML
PDF
TL;DR本研究提出了一种不同iable方法，通过反向传播，根据下游任务选择最佳嵌入空间来进行潜在图推理，从而消除了进行多个实验以确定最佳嵌入空间的需要。此外，我们还探索了一种可解释性技术，通过跟踪不同潜在图的梯度贡献，揭示了我们的基于注意力的完全不同iable方法如何学习选择适当的潜在空间。与以前的研究相一致，我们的实验证明了超球面空间在提高性能方面的优势。更重要的是，我们的可解释性框架提供了一种通用方法，根据它们的贡献，量化比较不同任务中的嵌入空间，这一维度在以前的潜在图推理文献中被忽视。
发现论文，激发创造
  • 超几何空间中图的神经嵌入

    通过在超宇宙中学习神经嵌入，可以在图结构数据中提高特征表达的性能，我们的实验证明了在自然几何形态下嵌入图可以显著提高多个实际数据集的性能。

    May, 2017

  • 图上的机器学习：模型和综合分类

    本文提出一种名为 GRAPHEDM 的综合方法，旨在将有标注数据的网络嵌入、基于图的正则化神经网络和图神经网络三者统一起来，构成一种用于学习图表征的完整分类法。通过将现有的30多种算法整合到这一框架中，本方法具有很高的通用性，从而提供了理解这些方法背后的直觉基础，促进了此领域未来研究的发展。

    May, 2020

  • 超几何图表征学习：教程

    介绍了基于超伽马空间表示的图形学习的前沿技术，并重点介绍了超伽马浅层模型和超伽马神经网络技术以及其组件变体的技术细节，同时讨论了超伽马几何图形表示学习的进阶主题。

    Nov, 2022

  • 利用积流形进行潜在图推断

    本文提出一种基于Riemannian geometry和product manifolds的可微分图模块，用于推断连接数据的复杂潜在图结构。该方法不仅可以动态地学习数据的内在结构，还可以在性能上对现有方法进行改进并成功地在各种数据集上进行了测试。

    Nov, 2022

  • 潜在图推断的模型空间投影

    本文采用超球面和双曲线模型空间的立体投影以及黎曼流形积的方法进行潜在图推理，实现与非投影对应物相当的性能，同时提供理论保证，避免当曲率趋近于零时空间发散的问题，并在同构和异构图上进行了实验。

    Mar, 2023

  • 有限监督下的潜在图推理

    通过恢复破坏的联系并提供缺失的监督，以改善潜在图推断方法的性能。

    Oct, 2023

  • 神经雪花：通过可训练的潜在几何实现通用潜在图推理

    通过引入可训练的深度学习架构 —— 神经雪花，对给定的有限权重图进行等距嵌入，以适应动态重连或推断图的预测性下游性能，以实现低维等距嵌入潜在图，并通过与MLP编码器的组合，以低次多项式数量的参数使用，不陷入维度诅咒，从而实现改进的性能，而无需随机搜索最佳潜在几何结构。

    Oct, 2023

  • 离散潜变图生成建模与扩散桥

    GLAD是一个离散的潜在空间图生成模型，通过在适当构建的潜在空间上运行，避免了对原始数据空间进行分解的依赖，取得了具有竞争力的超越状态的图生成性能。

    Mar, 2024

  • 时序网络的高斯嵌入

    TGNE是一种创新方法，通过在潜在空间中使用高斯分布的分段线性轨迹将节点嵌入，捕捉结构信息和轨迹的不确定性。结果表明，TGNE在重新构建未观察到的边交互以及建模不确定性方面具有竞争力。

    May, 2024

  • GraphFM：一种可扩展的多图预训练框架

    多图多任务预训练方法(GraphFM)通过将特定领域的特征压缩到一个共同的潜空间，并在不同领域的数据上进行扩展，提高了通用模型的泛化能力。通过对152个不同图数据集进行预训练，并根据跨多个领域的数据构建扩展规律，该方法证明了在真实和合成图上进行多图预训练可以显著减轻当前图训练方法的负担，创建一种能在广泛数据集和任务中竞争的单一通用模型。

    Jul, 2024