介绍一种结合生成和动态观点的图变换模型构建方法,通过对输入的动态属性进行压缩构建兼容模型,该方法采用一种启发式的方法将图变换模型推演问题转化为已知问题的集合覆盖问题。
Apr, 2024
介绍了一种基于图网络的学习模型,实现了对象和关系为中心的表示的归纳偏差,从而能够更准确地预测复杂动态系统的行为,并支持在线与离线规划。
Jun, 2018
构建包含工作职称和工作职责或功能相关单词的节点的异构图:职位过渡标签图,以改进工作职称表示的质量和相应的分析任务。
May, 2022
本研究提出了一个基于半监督学习的图学习方法,将节点分类问题扩展到了节点本身为图实例的层次图中,并设计了两种新的分类器,同时基于有监督的自我关注图嵌入方法将任意大小的图嵌入到固定长度的向量中,实验表明 SEAL-C/AI 方法不仅在准确率和 Macro-F1 方面优于竞争方法,而且生成的学习表示具有有意义的解释。
Apr, 2019
引入决策树与动态图特征相结合的 TREE-G 模型,它不仅考虑了预定义的数据特征,而且结合了顶点特征、图拓扑信息和树的累积信息进行预测任务,同时还提供了可解释性机制,实验结果表明 TREE-G 在多个图和节点的预测基准实验中表现出较高的性能和准确度。
Jul, 2022
本文旨在回顾用于标记传播的分类技术,主要包括基于传统分类器迭代应用的图特征方法和通过随机游走传播现有标签的方法,并着重说明两种方法类似之处。此外,我们也讨论了节点分类的相关扩展和方向。
Jan, 2011
本文研究了关于基于数据学习因果模型的结构学习算法,比较了它们在不同场景下的实验性能表现。
Jun, 2017
本文介绍了一种基于对象导向表现形式的迁移学习框架,该框架利用人类学习因果模型并将其用于环境的变量之间的迁移。作者将连续优化的结构学习技术应用于对象之间的因果关系的显式学习中,并通过基于因果知识的对象分类将其迁移到目标领域。最后,在强化学习中,作者结合了因果模型和无模型方法,实现对格子世界环境中的对象表现的优化。
Jul, 2020
我们提出了 Graph2Graph Transformer 架构,该架构用于对任意图进行条件和预测,并将其应用于具有挑战性的转换依赖分析任务中,这种新型基线结构可以集成许多以前的结构化预测方法,能够轻松应用于各种自然语言处理任务,同时在传统转换依赖分析中表现出较高的准确性。
Nov, 2019
对比标准分类任务,战略分类涉及代理人在修改其特征以获得有利预测的过程中的策略性行为,重点关注战略分类与标准学习之间的可学习差距,并通过提供几乎紧密的样本复杂性和后悔界限来解释这一问题,同时引入两种自然的不确定性情况,以实现一定程度的放松的完全信息设置。
Feb, 2024