通过地标和聚类对图进行层次化位置嵌入用于链接预测
本文提出了一种基于多层次的布局图推理层的方法,通过在中间表示中 na 无缝执行结构布局关系来检测多样化服装的密集关键点。实验结果表明,该模型具有优越性能,并贡献出了第一个细粒度的时尚标志物数据集以支持更全面的衣服生成和属性识别。
Oct, 2019
本研究提出了一种基于邻域组织的层次化关注成员模型,用于图嵌入,通过引入结构约束,由上至下地捕获了一种良好定义的层次结构,实现了节点分类和链接预测任务的指标优于当前先进技术图嵌入解决方案,表明隐含群组和成员资格的概念在图嵌入学习中具有快速发展的潜力。
Oct, 2021
该研究提出了一种新的知识图谱嵌入模型 ——HAKE,该模型采用极坐标系将实体映射到不同的层次,以模拟语义层次结构,从而在链接预测任务上实现了显著的性能提升。
Nov, 2019
本文提出了一种新的深度图形学习方法来进行精准的解剖面和医学(如手、骨盆)标志物检测,该方法结合了局部图像特征和全局形状特征,基于两个图卷积网络(GCNs)学习任务特定的结构。该方法在公共人脸图像数据集和 X 射线医学数据集上的实验结果表明,在鲁棒性和准确性方面的表现都优于先前的最新方法。学习到的图形拓扑的质量可视化证明了标志物背后物理上合理的连接。
Apr, 2020
基于持久化同调的新方法用于链接预测,通过分析图的拓扑信息解释性能提高的原因。该方法不仅利用角度跳子图和新的节点标签方法来更好地区分图的信息,还结合已有的图神经网络模型,在各项基准数据集上均实现了优异的性能。
Apr, 2024
本文介绍了 HIerarchical reinforcement learning Guided by Landmarks (HIGL) 框架,该框架通过引导探索性的 Landmarks 来训练具有减少动作空间的高层级策略,实现高效探索。实验结果表明,该框架在控制任务中表现优异。
Oct, 2021
本文提出 P-GNN 方法,通过采样锚节点集并计算给定目标节点相对于所有锚节点的距离,从而学习距离加权聚合方案以产生具有位置感知能力的节点嵌入。实验结果表明该方法能有效地提升节点在图结构中的位置特征提取能力,达到了较好的实验效果。
Jun, 2019
该研究提出了一种基于扩展持久同调的拓扑特征,以编码连接节点的多跳路径的丰富的结构信息,并提出了一种图神经网络方法,优于不同基准的现有技术。此外,该研究还提出了一种更高效地计算扩展持久性图的算法,可以普遍应用于加速图学习任务中的许多其他拓扑方法。
Feb, 2021
本篇论文介绍了 PhUSION,这是一种用于计算结构和位置节点嵌入的基于接近度的统一框架,通过聚合节点嵌入,得到模拟先前的图特征学习和核方法丢失信息的图层次特征,主要适用于节点和图层次的机器学习。
Feb, 2021
本文讨论了使用位置编码技术来改进图神经网络在节点集合任务中预测的问题,并提出了一种被称为 PEG 的类 GNN 层,它使用单独的通道更新原始节点特征和位置特征。PEG 同时对原始节点特征施加排列等变性质,并对位置特征施加 O(p)等变性质,其中 p 是使用的位置特征的维度。在 8 个真实世界网络上的广泛链接预测实验表明,PEG 在泛化和可伸缩性方面具有优势。
Mar, 2022