- ClusterTabNet:用于表格检测和表格结构识别的有监督聚类方法
我们提出了一种新颖的基于深度学习的方法来对文档中的单词进行聚类, 并应用于检测和识别 OCR 输出中的表格。我们将表的结构从底部向上解释为单词之间的关系图(属于同一行,列,标题以及同一张表),并使用 Transformer 编码器模型来预测 - 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。
- 关于从随机几何图中估算维度的注记
给定以未知密度 f 为基础的 n 个 i.i.d. 随机向量 Xi 产生的随机几何图 Gn,估计其潜在空间的维度 d 的问题。研究发现,在满足条件 n^(3/2) r_n^d→∞和 r_n=o (1) 的情况下,存在一个估计器,其在概率意义 - 量子排列块模型
使用置换矩阵,我们描述了量子块模型用于数据分析任务,并展示了在量子计算机上可以以 O (log (N)) 的时间找到或更新适应度值。在量子电路上,不同序列的置换可以并行应用,因此在这个模型中的机器学习任务可以在量子计算机上更高效地实现。
- 受限 Tweedie 随机块模型
提出了一种基于受限 Tweedie 分布的创新的随机分块模型,用于模拟国际贸易网络中的非负零膨胀连续边权重,并结合节点信息和其对边权重的动态影响,实现了有效的两步算法来估计协变效应和其他参数,并通过广泛的模拟研究和真实的国际贸易数据的应用证 - 克服拓扑集成视野:通过重新定义骨架拓扑感知增强基于骨架的动作识别
本文研究骨骼动作识别中图卷积网络 (Graph Convolutional Networks, GCNs) 的局限性,提出了一种新的三合一策略:利用图距离编码骨骼连接,强调骨骼序列的时间平均值,以及利用 BlockGC 进行关系配置的变化修 - ICLR重新思考 Graph Lottery Tickets:图稀疏度很重要
本研究提出了两种方法来提高图神经网络 (GNN) 在图稀疏度高的情况下的性能:(1) 使用辅助 loss 以涵盖整个邻接矩阵的所有元素来指导边缘裁剪,(2) 将裁剪过程形式化为最小化 - 最大化优化问题来提高稳健性。此外,本研究还得出了可传 - 面向多标签文本分类的标签依赖感知集预测网络
通过构建邻接矩阵及应用 GCN 模型对标签进行建模,从而解决多标签文本分类中标签的序列乱序问题,并利用集合预测网络同时使用句子信息和标签信息进行分类。此外,使用巴氏距离对输出概率分布进行约束,提高了召回能力。实验证明,该方法在多个数据集上表 - 使用主轴树构建简单图卷积的图形结构
通过使用非监督和监督信息,我们介绍了一种构建邻接矩阵 A 的图形构建方案。我们使用主轴树(PA-trees)作为非监督信息的来源,惩罚和本质图形连接不同类标签的点,而本质图形连接具有相同类标签的点。通过两个著名的图形神经网络进行测试,显示使 - 在邻接矩阵中探索有序模式以提升复杂网络机器学习
本文提出一种基于排序算法的新方法,用于唯一地表示复杂网络的邻接矩阵,并使用此方法进行特征提取和机器学习分类,结果表明这种方法在合成和真实数据的分类上优于先前文献的结果。
- 利用深度神经进化算法从功能磁共振邻接矩阵预测原发性脑肿瘤分级
本研究使用深度神经进化法训练卷积神经网络,通过功能性连接判别人脑肿瘤类型 (HGG/LGG),在仅使用 30 个邻接矩阵进行训练的情况下,取得了理想的测试集准确性,并发现网络学到了高度复杂的特征。
- Neo-GNNs: 邻域重叠感知的图神经网络在链接预测中的应用
我们提出了一种名为邻域重叠感知图神经网络(Neo-GNNs)的方法,可以从邻接矩阵中学习有用的结构特征,预测链接,表现出比传统启发式方法更好的性能,可处理重叠的多跳邻域结构信息。
- ICLR百慕大三角:GNN 未能检测简单的拓扑结构
本研究发现,只使用邻接矩阵等拓扑信息训练的图神经网络模型在三角形检测和派系距离等任务中表现不佳。
- ICLR基于能量观点的图神经网络
本文针对图结构数据的分类问题,提出了一种基于能量的图神经网络模型,并成功实现了该模型,通过实验发现它在鲁棒性方面比标准的图卷积网络有明显提升,为未来基于能量的图神经网络研究开辟了新的方向。
- 超图的节点和边的非线性特征向量中心度
本论文介绍了一种基于超图的谱中心性测量方法,利用非线性 Perron-Frobenius 理论计算超图中的重要节点和超边。
- 基于几何图的线性代数算法与难度
该研究探讨了在一类称为 K - 图的特殊完全图上实现有效光谱图论的可能性,包括矩阵乘法,谱稀疏化,以及拉普拉斯系统解决方案等问题,并以多种函数为例进行算法开发和难度对比,并发现对于某些函数,即使采用著名的快速多极方法(Fast multip - 固定角度的等角线
通过基于图形表示的数学优化模型及相关理论如:角度、谱图理论及各自的度量指标,解决了一个长期存在的关于等角线问题,并给出了其中包含的新结果。
- 图驱动和谱鲁棒性
本文提出了一种基于稀疏图构造的简单和通用的算法,称为图构建,它通过处理稀疏的 ER 和 SBM 图可以更规范地去除干扰性特征值,并且与先前的光谱算法相比在纠结和团块方面表现更加鲁棒。
- ECCV通过图形解析神经网络学习人 - 物交互
本文介绍了一种利用结构化知识实现可微分端到端检测和识别图像和视频中的人 - 物交互的算法 —— 图解析神经网络(GPNN)。结果表明,在三个 HOI 检测基准测试上,我们的方法明显优于现有的最新方法,证明 GPNN 可以应用于大型数据集和时 - Ising 模型参数的联合估计
研究了通过一个 Ising 模型样本对具有非负耦合矩阵大小为 $n imes n$ 的 Ising 模型的逆温度和磁化参数 $(eta, B)$ 的联合估计。证明了当 $A_n$ 是受限度图的邻接矩阵时,估计速率为 $n^{-1/2}$