Aug, 2024

GraphFSA：用于图形算法学习的有限状态自动机框架

HTML
PDF
TL;DR本研究解决了现有机器学习架构在表示图形算法决策时的局限性，提出了一个新的框架：GraphFSA。该框架能够在给定图的每个节点上学习有限状态自动机，并通过各种合成问题进行了全面的实证评估。结果表明，GraphFSA在推广和外推能力上表现出色，为图形算法的表示提供了替代方法。
发现论文，激发创造
  • 通过谱约束的结构化图学习的统一框架

    本文介绍了一个基于高斯图模型和谱图理论的统一图学习框架，通过对图矩阵的谱约束实现了特定结构的图形式化，提出的算法具有收敛性，计算高效，在合成和真实数据集上的实验表明了其有效性。

    Apr, 2019

  • 使用张量函数进行图遍历：可扩展学习的元算法

    本文提出基于张量函数的图遍历（Graph Traversal via Tensor Functionals，GTTF）的元算法框架，以便于实现不同的图算法。实验表明，此算法可以以更高效的方式扩展到大型图数据集，且仅需为每种方法专门化撰写简短的代码。

    Feb, 2021

  • 使用循环图神经网络学习图算法

    针对图状数据的学习问题，该研究提出了一种基于递归架构的图神经网络算法，其关键在于使用跳过连接、状态规则化和边缘卷积等三种技术以实现对小型图问题的端到端学习及大规模图问题的推广。实验证明该算法具有较高的推广能力。

    Dec, 2022

  • 基于图的组合优化的变分退火

    通过引入子图标记化技术，我们在无监督学习和组合优化问题中实现了优越性能。使用自回归方法捕捉解变量之间的统计依赖关系，理论上证明并实证了热退火熵正则化的重要性以实现高效和稳定的学习。

    Nov, 2023

  • $L^*LM$: 从示例中使用自然语言预测的学习自动机

    该研究介绍了一种从专家演示和自然语言中学习确定性有限自动机（DFA）的算法，利用自然语言的表达能力显著提高了从专家演示中学习DFAs的数据效率，通过结合大型语言模型和转化学习算法，实现了强大的少样本学习器。

    Feb, 2024

  • 组合优化的图强化学习：调查与统一视角

    图离散结构上关于决策制定方法的综合视角，通过采用强化学习算法解决图优化问题。

    Apr, 2024

  • DFAMiner: 从标记样本中挖掘最小分离有限状态机

    DFAMiner是一种用于学习从一组标记样本中获取最小可分离确定有限自动机（DFA）的无主动学习工具。

    May, 2024

  • GraphArena：基于图计算问题的大型语言模型评测

    GraphArena是一个基准测试工具，用于在以百万规模的真实世界图形为基础的各种场景中，通过图计算问题评估大型语言模型（LLMs）。该工具提供了10个计算任务，包括4个多项式时间问题和6个NP完全问题。评估结果显示，即使是表现最好的模型也无法很好地处理更大、更复杂的图形问题，并且存在幻觉问题。

    Jun, 2024

  • 深度DFA：通过神经概率松弛进行自动机学习

    本文提出了DeepDFA，一种通过跟踪识别确定性有限自动机（DFA）的新方法，采用可微但离散的模型。该方法结合了DFA的概率松弛和递归神经网络（RNN）的启发，提供了训练后的可解释性，并在复杂度和训练效率上优于传统RNN。实验验证表明，该方法在各种规模和复杂度的目标正规语言上表现准确、快速且对噪声具有强韧性，充分结合了逻辑语法诱导和深度学习的优势。

    Aug, 2024

  • 图上凸标记的自我指导学习

    本文研究了自我指导学习设置下的图聚类问题，这是在线学习的一种变体，本研究填补了图上的自我指导节点分类方面的空白。我们提出了一种高效的多项式时间算法，该算法在具有两个凸聚类的图上只犯 $3(h(G)+1)^4 \ln n$ 个错误，并且对于稍微非凸的聚类，仍能保持对节点数量的对数错误界限。

    Sep, 2024