Feb, 2024

CGGM: 一种适用于物联网网络中节点异常检测的具有自适应稀疏性的条件图生成模型

PDF
TL;DR本文介绍了一种名为 CGGM 的新颖图生成模型，用于在动态图中生成属于少数类的更多节点，并通过自适应稀疏性增强了灵活性，使用多维特征生成器（MFG）生成节点特征和拓扑信息，并通过多阶段损失调整合成数据的分布以更好地模拟真实数据，实验证明 CGGM 的合成数据在各种指标上优于现有方法，有效增强了多类别分类模型的性能。
发现论文，激发创造
  • SCGG：一种深度结构条件图生成模型

    该研究针对图的建模与完整性问题，提出了一种条件深度图生成模型 SCGG，能够自动生成符合特定结构条件的新图样本，并在实验结果中显示该方法在合成数据和实际数据上均具有优异表现。

    Sep, 2022

  • 神经图生成器：使用潜在扩散模型进行特征条件化的图生成

    本研究论文介绍了神经图生成器（NGG），它利用条件化的潜态扩散模型进行图生成，具有模型复杂图形模式的显著能力，并能控制图生成过程。NGG 通过图压缩的变分图自动编码器和在潜向量空间中的扩散过程，以图统计概述向量为指导。实验证明 NGG 在各种图生成任务中的通用性，能捕捉所需的图特性并推广到未见过的图。该研究工作标志着图生成方法的重大转变，为生成具有特定特征的多样化类型的图提供了更实用和高效的解决方案。

    Mar, 2024

  • 从图的生成到图的分类

    本文介绍了一种利用图生成模型 (GGM) 进行图分类的新方法。假设 GGM 定义了一个联合概率分布，可以得出给定图的类标签的分类公式，并使用新的条件 ELBO 训练生成式图自编码器模型进行辨别。虽然在非关系 i.i.d. 数据的分类中已经使用生成式模型进行了很好的研究，但据我们所知，这是一种新颖的图分类方法。

    Feb, 2023

  • 基于深度生成模型的稀疏图可扩展建模

    本研究提出了一种基于自回归模型的图生成方法 (BiGG)，其利用稀疏性避免生成完整的邻接矩阵，并将图生成时间复杂度降至 O ((n + m) logn)。实验表明，该方法不仅比之前的自回归图生成模型能够处理更大的图像，而且生成质量更高。

    Jun, 2020

  • 图形生成建模用于视觉问答中的外部分布泛化

    本文提出一种基于图生成建模的 VQA 模型，通过使用属性 - 对象对作为节点，逐步生成关系矩阵和节点表示来解决 VQA 中的 OOD 泛化问题，并在两个标准 VQA OOD 基准测试中实现了最先进的性能。

    Jul, 2021

  • 图生成模型的评价指标

    通过引入基于未训练随机 GNN 提取的特征的几个度量标准，完全测试了这些度量标准衡量生成的图的多样性和保真度的能力、其样本和计算效率，并推荐了两种新的度量标准，以用于对 GGM 的评估。

    Jan, 2022

  • GraphGAN: 生成对抗网络用于图形表示学习

    该论文提出了 GraphGAN，一种结合生成模型和判别模型的图形表示学习框架，其中两个模型玩一个博弈论最小最大化游戏来提高它们的性能，同时还提出了一种新的图形 softmax 来克服传统 softmax 函数的局限性。在真实世界的数据集上广泛实验表明，GraphGAN 在各种应用中都比现有技术取得了实质性的收益，包括链接预测、节点分类和推荐。

    Nov, 2017

  • 灵活表示多模块图神经网络以实现更好的泛化

    本文研究了图神经网络的可扩展性和推广性，并提出了灵活的 GNNs 框架，通过多种节点更新函数和内部循环优化，使网络能够灵活适应新图并在多项推理任务中提高泛化能力。

    Sep, 2022

  • 通过扩散模型联合生成场景图和图像

    本文介绍了一项新的生成任务：联合场景图像生成。通过引入 DiffuseSG 模型，本文探索了生成逼真的场景图，使得图像生成具备高效和可解释性的控制能力，并展示了该模型在场景图生成以及相关应用中的优越性。

    Jan, 2024

  • 学习潜变量高斯图模型

    本文介绍了一种条件稀疏的潜变量高斯图模型（LVGGM），利用正则化的极大似然方法来学习具有低秩加稀疏结构的逆协方差矩阵，并在高维情况下得到了新的参数估计误差界限。

    Jun, 2014