Dec, 2023

关系深度学习：关系数据库上的图表示学习

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 关系数据的神经网络

    该研究针对深度神经网络在社交网络分析等结构化领域表现不佳的问题，提出了一种新方法，即基于关系随机游走的特征和参数共享的关系神经网络。实验证明，该方法在多个标准关系数据集上的表现优于多种神经网络和统计关系模型。

    Aug, 2019

  • 在关系型数据库中为深度学习模型提供服务

    为满足商业和科学领域对关系数据中深度学习模型的需求，本论文系统地探索了代表性架构，并强调了 DL-centric、UDF-centric 和 relation-centric 三种关键范式及其之间的整合需求和潜力，提出了建立新型数据库系统以支持大规模数据密集型深度学习应用的路径。

    Oct, 2023

  • 深度关系学习建模内容与语境

    本文介绍 DRaiL，一个开源的声明式框架，用于指定深度关系模型，旨在支持各种自然语言处理场景，并支持与表达性语言编码器的轻松集成，以及研究表示、推理和学习之间的相互作用。

    Oct, 2020

  • 面向关系型数据库的基础模型 [视角论文]

    本研究介绍一种针对关系数据库的关系表达学习方法，该方法不仅可以从完整的关系结构中学习，而且可以扩展到在现实世界中普遍存在的大型数据库规模，并为今天仅适用于文本和图像的关系数据库建立基础模型。

    May, 2023

  • 深度神经网络的表示距离学习

    该研究提出了一种称为 “代表空间距离学习” 的方法，该方法可用于将一种深度神经网络模型学习到的内部表现空间应用到另一种模型之中，通过该方法可将学生模型的表现空间序列逐步拟合为更接近于教师模型表现空间的序列。通过将学生模型的表现空间逐渐接近于教师模型的表现空间，使用该方法可以显著提高可视化分类性能。未来该方法可以应用于将深度神经网络的任务约束和生物大脑的约束相结合，从而构建出可以复制生物大脑内部表现空间的深度神经网络模型。

    Nov, 2015

  • 视觉丰富文档中的关系表示学习

    本研究提出了 DocReL，一种文本关系表示学习框架，其中包含一种新的对比学习任务 Relational Consistency Modeling（RCM），并利用了上下文信息来改进视觉丰富文档中关系理解，如表结构识别，关键信息提取和阅读顺序检测。

    May, 2022

  • 基于图神经网络的表格数据深度学习上下文嵌入

    本文提出了一种新型深度学习模型，使用图神经网络（GNN）—— 特别是交互网络（IN）进行情境嵌入，以应对以表格形式存在的异构数据和特征。该模型在五个公共数据集上的深度学习基准测试中表现优异，优于最近发表的研究结果，并在与增强树解决方案的比较中也取得了竞争结果。

    Mar, 2023

  • GFS：基于图的特征合成用于关系数据库预测

    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。

    Dec, 2023

  • 深度关系度量学习

    本文提出了一种深度关系度量学习（DRML）框架，用于图像聚类和检索。该方法采用可自适应学习的特征集合来建模类内和类间分布，并使用关系模块和图建模在图像上进行关系推理，得到一种关系感知嵌入来测量相似性，从而有效提高了当前深度度量学习方法的效果。

    Aug, 2021