Dec, 2023

GFS：基于图的特征合成用于关系数据库预测

PDF
TL;DR关系数据库中缺乏专门为多表设置设计的机器学习模型，因此提出了一种名为 GFS 的图形特征合成框架，它以异质图的形式构建关系数据库，通过充分利用单表模型的归纳偏差，成功捕捉了每个表中的错综复杂关系，并消除了手动特征工程的需求，实验证明 GFS 在四个真实的多表关系数据库上具有出色的性能。
发现论文，激发创造
  • 关系深度学习：关系数据库上的图表示学习

    关系数据库中的数据存储方式使得使用机器学习模型变得具有挑战性和耗时，通过引入关系深度学习（RDL）方法，我们可以直接学习跨多个表格布置的数据，而无需进行手动特征工程。关系深度学习通过自动学习图引导，从而提取利用所有输入数据的表示，从而构建更准确的模型且速度更快。

    Dec, 2023

  • 知识图谱的关系机器学习综述

    本文介绍了关系机器学习中如何统计建模大型知识图谱，以预测世界中新的事实，包括潜在特征模型和图中可观察模式互补的统计关系建模方法，以及与文本信息抽取相结合，自动构建知识图谱的实践。

    Mar, 2015

  • 时空序列中的稀疏图学习

    本文提出了一种基于分数的概率方法，学习图的关系依赖性。该方法可用于时间序列预测，可在最大化任务性能的同时控制图的稀疏性和计算可扩展性，同时提高了准确性。

    May, 2022

  • 图模糊系统：概念、模型与算法

    本文提出了一种新型模糊系统 Graph Fuzzy System (GFS), 用于图数据建模，其中定义了与 GFS 相关概念，构建了 GFS 建模框架，并提出了学习 GFS 的算法，其中包括图神经网络和 K - 原型图聚类。实验结果表明，该方法继承了现有主流图神经网络方法和传统模糊系统方法的优点并取得了更好的性能。

    Oct, 2022

  • 基于图的半监督学习的灵活生成性框架

    本文提出了一个基于图结构的半监督学习的生成框架，通过逼近节点特征，标签和图结构的联合分布，使用可扩展的变分推断技术来推断缺失的标签，并在基准数据集上进行了全面的实验，结果表明该方法在大多数设置中优于现有的最先进模型。

    May, 2019

  • 通过图变分自编码器生成真实的合成关系数据

    利用变分自动编码器框架和图神经网络生成真实的综合关系数据库。

    Nov, 2022

  • 图形半监督学习用于关系网络

    本文针对关系网络中的半监督学习问题提出了两种可扩展的方法，可以更好地处理链接多样性和分类异质性等图结构异质性，相比于现有算法，我们的方法在不需要先验知识的情况下提供更好的分类性能。

    Dec, 2016

  • 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

  • 联邦图机器学习：概念、技术和应用综述

    本篇综述介绍了联邦图机器学习 (FGML) 的分类和技术，并总结了不同领域的应用和现有研究的局限性和未来方向。

    Jul, 2022

  • T2G-Former: 将表格特征组织成关系图可促进异构特征交互

    本文提出了一种自动估计表格数据特征间关系的图估算器，根据所建立的关系图组织各独立特征并实现节点间的有序交互，进而进行表格学习。结合该方法，我们提出了一种基于 Transformer 网络的 T2G-Former，能够在不同层次上收集 T2G-Former 中的显著特征并加以综合，实现对表格数据进行有效处理和预测，进而取得了优异的表现。

    Nov, 2022