文章提出一种基于深度学习和启发式算法的图卷积网络方法,用于解决某些 NP 困难问题,并在四个 NP 困难问题和五个数据集上进行了评估,结果表明该方法在某些 NP 困难问题上已经达到了高度优化的最新启发式算法的水平,并具有较强的泛化性和扩展性。
Oct, 2018
图神经网络与蒙特卡罗树搜索相结合的方法对多种类型的图进行计算,超过了多个标准近似算法,并经常找到最优解。
Nov, 2023
Phylo-NN 是一种无需标签,直接从昆虫图片中提取进化特征序列的方法,对鱼类进行了演示,证明了其用于物种图像生成和物种 - 物种图像转换的有效性。
Jun, 2023
本文提出基于可学习拓扑特征的系统发育推断结构表示方法,通过结合最小化狄利克雷能量的原始节点特征和现代图表示学习技术,该方法可提供高效的系统发育树结构信息,可自动适应不同的下游任务。在模拟数据和具有挑战性的实际数据上进行验证和评估。
Feb, 2023
本文系统研究了系统地计算计算群体重建的广泛范围复杂性问题。研究的问题可以描述为约束满足问题,其中约束对根三元组关系具有一阶定义。作者证明了每个此类计算群体重建问题可以在多项式时间内解决或为 NP 完全问题,并提出了通用的多项式时间算法解决根三元组一致性问题。作者认为这个分类对通用代数,模型理论和拓扑学是独立而有价值的。
Mar, 2015
本研究介绍了一种通过结合图神经网络和蒙特卡罗树搜索来计算 Steiner 树的方法,该方法在许多不同类型的图上反复优于标准的 2 逼近算法,通常找到最优解。
Apr, 2023
本文提出了一种新的神经网络模型,在长支吸引(LBA)情况下优于标准的系统发育方法和其他神经网络实现方式,并且与现有的神经网络模型不同之处在于,我们的模型自然考虑到树的同构性,通过排列不变函数这一方法得出的结果在内存使用上更为高效,并可无缝地扩展到更大的树。
Jan, 2022
采用生成流网络的框架,本文研究在系统发生学中的两个核心问题:基于减少原则和贝叶斯方法的系统发生学推断。通过我们的前向后验采样器,PhyloGFN,我们展示了在真实基准数据集上产生多样化和高质量的进化假设。PhyloGFN 在边缘似然度估计方面与现有工作相媲美,并实现了更接近目标分布的拟合效果,超过了最先进的变分推断方法。
Oct, 2023
我们提出了一种基于图神经网络的深度自回归模型 ARTree,可以灵活地设计概率模型并解决系统发生推断问题,通过学习可学习的拓扑特征来对树的拓扑结构进行建模,并提供了一系列包含简单采样算法和密度估计过程的树拓扑空间分布,无需使用启发式特征。我们在具有挑战性的真实数据树拓扑密度估计和变分贝叶斯系统发生推断问题的基准测试中证明了我们方法的效果和效率。
通过使用图神经网络和拓扑注意机制,合并树神经网络 (MTNN) 可以快速高质量地计算合并树的相似性,该方法优于现有的合并树比较方法,并在不同领域的真实数据上展示了其强大性能。
Apr, 2024