Feb, 2024

动态环境中的聚类：异质变化数据集生成框架

PDF
TL;DR本研究提出了动态数据集生成器（DDG），用于模拟各种动态场景，帮助解决在动态环境中的聚类问题。
发现论文，激发创造
  • 动态异构学术图的公共基准测试

    本研究针对机器学习模型在动态图中的学习和推理遇到的挑战，针对传统静态同构图数据集的局限性，提出了一种利用多元素科学出版涵盖的动态异构学术图数据集，测试模型预测任务的效能，并提出了一种系统方法来改善现有的图预测模型评估程序。

    Apr, 2022

  • 高效动态聚类：从历史聚类演变中捕获模式

    本文提出了一种动态聚类方法 DynamicC，它使用基于机器学习的模型，通过观察基于批处理算法的聚类决策来训练模型，在高速动态场景下进行快速准确的聚类决策。在四个真实世界数据集和一个人工合成数据集上的实验证明，DynamicC 方法相比基线批处理算法有更好的性能，同时达到了类似的准确聚类结果。

    Mar, 2022

  • 环境感知的动态图学习用于非分布式泛化

    环境感知的动态图学习（EAGLE）框架通过建模复杂的耦合环境和利用时空不变模式，解决了动态图在分布转移下的超出分布预测的问题。

    Nov, 2023

  • 一个通用的基准框架是需要动态图神经网络的

    本研究论文强调了动态图学习的重要性以及其在各个领域中的应用，并强调了建立一个统一的基准框架的需求，该框架能够捕捉时间动态、不断变化的图结构和下游任务需求。建立统一的基准框架将有助于研究人员了解现有模型的优点和局限性，促进创新，推动动态图学习的进展。此外，本文认为当前动态图学习研究的一个限制是缺乏一个统一的基准框架。这样的框架将有助于准确评估模型，推动动态图学习技术的进展，为实际应用的更有效模型的开发提供可能性。

    Jan, 2024

  • 基于狄利克雷过程混合的相关性渐近动态聚类

    提出了一种基于依赖狄利克雷过程混合模型（DDPMM）的新的聚类算法，用于聚类包含未知数量的进化聚类的批量连续数据。该算法通过对 DDPMM 的 Gibbs 抽样算法进行低方差渐近分析而得出，提供类似于 k-means 算法的收敛保证的硬聚类。通过移动高斯聚类的合成测试和真实的 ADS-B 飞机轨迹数据测试的实证结果表明，与当代概率和硬聚类算法相比，该算法在提供更高准确性的同时需要更少的计算时间。

    May, 2013

  • 双重非齐次强化学习

    本文研究了强化学习在双重非均质环境下的应用，提出了一种用于确定数据块并识别聚类的算法，以达到高质量序列决策的目的。

    Nov, 2022

  • DDG-DA：用于可预测概念漂移适应的数据分布生成

    本研究提出了一种基于 DDG-DA 的预测建模方法，结合对数据演化的预测和生成的方法，能够有效应对概念漂移，提高预测性能。

    Jan, 2022

  • 联邦领域泛化算法基准测试

    本研究提出了一个可控制客户数量和异质性的联邦迁移学习基准测试方法，并应用于 13 种联邦迁移学习方法的评估，结果表明在客户数量多、客户异质性高或更现实的数据集下，联邦迁移学习的性能仍然存在显著差异。

    Jul, 2023

  • 领域泛化中异质性的定量测量与对比探讨

    利用对比学习提出了一种基于异质性的两阶段对比学习 (HTCL) 算法，在第一阶段使用对比度量生成最异质的划分模式，第二阶段利用先前生成的划分模式进行不变性对比学习，以更好地利用生成的域标签进行广义学习，从而更好地挖掘异质性并产生良好的广义性能。

    May, 2023

  • 动态图的深度学习：模型与基准

    本文通过对时空信息学习的先进优势进行调查和性能比较，为动态图形表示学习领域建立坚实的基础，以促进该领域的研究

    Jul, 2023