一次性图表示学习基于超维计算

Feb, 2024

One-Shot Graph Representation Learning Using Hyperdimensional Computing

Abhishek Dalvi, Vasant Honavar

TL;DR我们提出了一种新颖、简单、快速且高效的用于图像半监督学习的方法，该方法利用超高维度计算将数据样本编码成高维空间，并且通过 Hyper-dimensional Graph Learning 算法可以在图神经网络的节点表示上利用这种超高维度性质来实现信息聚合，从而取得与深度学习方法相媲美的预测性能，而无需进行计算昂贵的训练过程。

Abstract

We present a novel, simple, fast, and efficient approach for semi-supervised learning on graphs. The proposed approach takes advantage of hyper-dimensional computing which encodes data samples using random projections into a high dimensional space (HD space for short). Specifically, we propose a Hyper-dimensional Graph Learning (HDGL) algorithm that leverage

semi-supervised learning hyper-dimensional computing graph neural networks predictive performance deep learning

发现论文，激发创造

基于高维度图分类的分子分类

我们的研究引入了一种创新的基于超维计算的图学习方法，与图神经网络和 Weisfieler-Lehman 图核心相比，在癌细胞识别等应用领域取得了可比拟的结果，并且在训练和推断阶段实现了显著的加速和资源效率的提升。

Mar, 2024

异质深度图卷积网络

本文提出了一种基于信息理论的非监督图神经网络方法，即异构深度图 Infomax（HDGI），用于解决异构图的特征提取与表示问题，利用本地 - 全局互信息最大化捕获高级节点表示，并在分类和聚类任务上取得优秀的表现。

Nov, 2019

HDGL：一种用于脑疾病分类的层次动态图表示学习模型

我们提出了一种分层动态图表示学习模型 (HDGL)，该模型可以构建大脑网络图，并学习它们的空间和时间嵌入，并在嵌入学习后形成人群图并进行分类。通过在 ABIDE 和 ADHD-200 数据集上评估该模型的性能，结果显示在多种评估指标上相较于其他最先进的模型，该模型有所改善。

Nov, 2023

超图神经网络

本研究提出了一种超图神经网络 (HGNN) 框架，可以通过超图结构编码高阶数据相关性，并使用超边卷积操作处理数据相关性，以有效地进行数据表示学习。实验结果表明，HGNN 方法优于最新的最先进的方法，并且可以处理现实世界中的复杂数据和多模数据。

Sep, 2018

广义全息简化表示

通过引入 Generalized Holographic Reduced Representations (GHRR)，本文探讨了基于 Hyperdimensional Computing (HDC) 的深度学习方法，通过在保留连接主义方法的灵活性的同时，允许显式规定符号方法中的表征结构，从而提高了编码复杂数据结构的能力。

May, 2024

异质图的分离式双曲线表征学习

本文提出了一种名为 Dis-HGCN 的解缰离散超几何异构图卷积网络，旨在通过独立的信息传播来解缰语义特征和结构特征，以及通过超几何结构拉近数据分布和表示空间的差距，并在诸多真实世界异构图数据集上进行验证，结果证明其在超几何空间中解缰和表示异构图数据的有效性。

Jun, 2024

学习分层嵌入的双曲包含锥

在机器学习中，通过保留相关网络属性的低维嵌入学习图表示是一类重要的问题。本文提出了一种嵌入有向无环图的新方法，使用证明能够更好地模拟树状结构的双曲空间，并使用一组嵌套的测地凸锥来定义分层关系，并证明这些蕴含锥体在欧几里得和双曲空间中均具有一种优化的形式，而且它们可以规范地定义嵌入学习过程。实验显示，我们的方法在表示能力和泛化方面都比最近的强有力的基线有显着的改进。

Apr, 2018

超维度计算：生物数据的快速、稳健和可解释范式

生物信息学中的关键词为：算法、深度学习、超维计算、组学数据。本文总结并探索了超维计算在生物信息学中的潜力，强调了其效率、可解释性和处理多模态和结构化数据的能力。超维计算对于组学数据搜索、生物信号分析和健康应用具有巨大的潜力。

Feb, 2024

双曲异质图注意力网络

提出了利用超几何空间和元路径实例学习异构图的向量表示的超几何异构图注意力网络（HHGAT），在三个真实的异构图数据集上的实验证明 HHGAT 在节点分类和聚类任务中优于现有的异构图嵌入模型。

Apr, 2024

规模化的双曲图神经网络：一种元学习方法

本文介绍了一种名为超曲线图元学习器（H-GRAM）的新方法，通过从节点的局部子图中学习可传递的归纳偏见和集合超曲线元梯度，实现在处理不相关子图的查询任务上进行更快的学习，并展示了其在多种挑战性的少样本设置中学习和传递信息的有效性，并且相较于传统的欧几里得方法，在大型图数据集上能够更好地提高性能。

Oct, 2023