Mar, 2024

AKBR: 图分类的自适应基于核的表示学习

PDF
TL;DR提出了一种新的自适应基于核的表示（AKBR）模型，通过引入特征通道注意机制捕捉原始图形的不同子结构不变量之间的相互依赖关系，从而有效地将更重要的子结构的结构关注率指定的成对图形之间的 R 卷积核计算为数据输入 softmax 层的 AKBR 模型。实验结果表明，所提出的 AKBR 模型在标准图形基准测试上优于现有的最先进的图形核和深度学习方法。
adaptive kernel-based representationsgraph classificationend-to-end learningfeature-channel attention mechanismgraph benchmarks
发现论文，激发创造
  • 自适应核图神经网络

    该研究提出了一种新型的自适应核图神经网络框架（AKGNN），通过设计一种数据驱动的图内核学习机制来解决预定义核对于不同图之间间的泛化问题，同时通过参数化技巧和全局输出函数增强其表达能力，该方法在公认的基准数据集上展示了优异的性能表现。

    Dec, 2021

  • 深度分层图对齐核

    通过深层次图对齐核（Deep Hierarchical Graph Alignment Kernels）解决了图卷积核函数在分解图形成非同构子结构并进行比较时忽视隐含相似性和拓扑位置信息所限制性能的问题，理论分析保证了该方法在复制核希尔伯特空间中为半正定且具有线性可分性，在各种基准数据集上与最先进的图卷积核函数进行比较证明了 DHGAK 的有效性和高效性。

    May, 2024

  • 用于图结构数据的卷积核网络

    本文介绍了一种多层图形核的家族，并建立了图卷积神经网络与核方法之间的新联系。利用核特征图形的序列表示图形数据，从而将卷积核网络推广到了图形结构数据，实现了高效的数据表示和训练。在多个图形分类基准测试中，该方法实现了竞争性的性能，同时提供了简单的模型解释。

    Mar, 2020

  • AERK：通过连续时间量子行走对齐熵再生核

    通过进行 CTQW 计算出平均混合矩阵（AMM），利用 AMM 矩阵计算出每个顶点的量子 Shannon 熵并定义了一种 AERK 核，可以同时捕获顶点匹配的结构对齐信息、顶点对应的结构差异以及全局和本地结构信息，使提出的 AERK 核在图形分类任务中具有优越性。

    Mar, 2023

  • 使用受监督的卷积核网络进行端到端核学习

    本文提出了一种基于多层核机的图像表示方法，并通过监督学习来调整核的形态。该方法构建了一种新的卷积神经网络，在一些深度学习数据集上取得了良好的分类表现，表明了该方法在图像相关任务中的应用价值。

    May, 2016

  • 基于注意力、知识和协作指导的个性化推荐图卷积网络

    通过引入知识图谱的图卷积神经网络模型加入历史交互数据，再通过协作引导机制提取知识图谱信息实现个性化推荐，实验证明该模型在 Top-K 推荐任务中的召回率指标显著高于现有最新模型。

    Sep, 2021

  • ATBRG: 自适应目标 - 行为关系图网络有效推荐

    提出一种名为自适应目标 - 行为关联图网络 (ATBRG) 的框架，用于对知识图谱中的用户 - 商品对进行有效的结构关系提取，广泛超越了现有最先进的方法的性能水平，并在淘宝 APP 的一个流行推荐场景中实现了 5.1％的 CTR 指标性能提升。

    May, 2020

  • DDGK: 为深度分歧图核学习图表示

    本文提出了 Deep Divergence Graph Kernels 这种无监督的方法，可以学习表示图形相似性，对齐子结构，不依赖监督、领域特定知识或已知节点对齐，并取得了具有竞争力的图分类任务结果。

    Apr, 2019

  • 带有改进随机游走核的描述性卷积网络

    该研究提出了改进的图核函数 RWK+，引入了颜色匹配的随机游走并导出了高效的计算方法，进而提出了使用 RWK + 为核心的 KCN 模型 RWK+CN，通过无监督目标学习描述性图特征。此外，该研究还在实验中展示了 RWK + 的表达能力以及 RWK+Conv 层在图级任务上的有效性，并说明了 RWK + 和 RWK+Conv 在各种真实世界应用中的适应性。

    Feb, 2024

  • Knowledgebra: 一个面向知识图谱的代数学习框架

    本文提出了一种基于代数结构的 Knowledgebra（知识代数）数学语言，分析了五个不同的代数属性，证明了半群关系嵌入是一般知识图谱关系嵌入最合理的代数结构，提出了一个实例化模型 SemE，使用简单的矩阵半群具有最好的性能，同时提出了一种基于正则化的方法，在嵌入训练中融合人类知识派生的链式逻辑规则，为深度学习和代数推理的结合提供了一种可能性。

    Apr, 2022