- 基于错误概率预测的量化与早期退出结合策略
提出了一种结合量化和早期退出动态网络的更一般的动态网络方法 QuEE,通过准确预测进一步计算可能获得的潜在准确性改进,解决了传统的早期退出问题。
- KDD动态图中的异常检测:综合调查
该综述报告全面而概念性地介绍了使用动态图进行异常检测的方法,重点关注基于图的异常检测技术及其在动态网络中的应用,总结了现有研究的优势、限制和未来挑战,以指导未来的研究工作和推动动态图中的异常检测技术进展。
- 时间网络嵌入动态下的时间链接预测
通过将节点定义为牛顿对象并引入速度的概念,我们提出了一种新的时间链接预测方法,通过计算每个节点的具体动态,而不是整体动态,提高了预测未来连接的准确性和可解释性。我们的方法在预测合著网络中的未来合作效果方面,使下游分类模型的性能提高了 17. - 关于在关系事件模型中使用神经网络建模非线性效应
通过引入 Deep Relational Event Additive Model (DREAM) 解决了在建模 Relational Event Models (REMs) 中由非线性效应引起的计算挑战,该方法通过便捷地在图形处理单元 ( - 动态图中链路预测算法评估的新视角
通过对负采样的可能性进行分类,并引入新的可视化方法以研究预测性能和时间网络动态,我们验证了错误通常在不同数据段之间不均匀分布,并认为这些可视化工具可以成为评估不同层次的动态链接预测方法的强大指南。
- 动态有向图中的离散分布优化
我们提出了一个分布式优化的离散时间模型,适用于具有动态有向图的连续时间分布式学习,并消除了对链接进行随机权重设计的需求,通过共识算法、矩阵扰动理论和 Lyapunov 理论,我们证明了梯度跟踪步长和离散时间步长的收敛性和动态稳定性,该工作在 - 个性化联邦学习的高效群集选择:一种多臂赌博机方法
本文介绍了一种受多臂赌博机方法启发的动态上界置信度算法 (dUCB),以解决个性化联邦学习中用户聚类的复杂性问题,特别在动态网络中,该算法平衡了探索与利用,使新用户能够有效地找到适合其数据分布的最佳聚类,并在各种情况下评估了算法的性能,展示 - 使用 T - 批处理进行动态网络表示学习时选择损失函数的影响
表示学习方法在将离散网络结构转化为连续领域方面为机器学习提供了革命性进展,但是动态网络在时间上的演变带来了新的挑战。我们通过数学分析提出了两种新的损失函数来克服 t-batching 中训练损失函数的局限性,并在合成和真实动态网络上进行了广 - 时变图的图级嵌入
本研究提出了一种为动态网络生成图层嵌入的新方法,包括构建多层图和使用改进的随机游走生成节点的时间上下文,再利用一个深度学习模型生成图层嵌入,并在公开数据集上进行了评估和比较。
- 基于双层优化的图强化学习用于网络控制
本篇论文提出了一种基于增强学习和图网络的框架来处理优化问题,避免了传统基于优化方法规模不可扩展、启发式算法设计需要大量人工试错等问题,使得算法更加高效和可扩展。作者在真实控制问题中的实验进一步表明了这种方法的优越性。
- 加权标记网络的动态混合成员随机块模型
本文提出了一种基于混合成员聚类的时间先验动态标记网络模型推断方法,该方法具有很强的鲁棒性和需要较少的训练数据,并拓宽了机器学习在社会科学等许多领域中应用的可能性。
- 动态社交网络中的基于模块化方法的社群跟踪
本论文提出了一种基于模块性的策略来有效检测和跟踪动态社区,在合成网络和 Twitter 网络中的实验结果表明该框架优于其他最先进的方法,并且它为不同的社交网络提供了一个有价值的工具,来理解社区在动态社交网络中的演化。
- 多重动态网络中的异常检测:从区块链安全到脑疾病预测
ANOMULY 是一个用于多重动态网络的无监督边缘异常检测框架,它包括使用 GRU 单元捕获网络的时间特性和在不同类型的关系之间整合信息的注意机制。通过大量实验,ANOMULY 达到了最新技术水平,该方法在大脑网络数据集上的应用也展示了新的 - ICML动态转移:防止热限制的发生
本研究旨在解决在移动设备上运行机器学习模型时出现的过热现象引起的处理器降频和模型推理延迟增加的问题,提出了一种基于动态网络的动态移位方法,在保持一定准确性的前提下根据热量变化智能选择大小模型,从而实现一致的应用性能表现。
- SCoT: 时间上的语义聚类:分析词汇变化的工具
本文介绍了 Sense Clustering over Time (SCoT),一个基于网络的工具,用于分析词汇变化。SCoT 使用 sense clusters 和 semantic neighbourhood graph 来表示和展示单 - ECCV为少样本学习设计的实例和任务感知动态核学习
本论文提出了一种动态卷积神经网络模型,能够通过每个任务的动态内核快速适应于给定任务的情境,并以整体和每个样本的基础上依独立地进一步调整每个通道和位置的注意力机制,从而能够同时关注全局信息和细微的特征并提高 Few-Shot Learning - MM研究和建模长关系的动态
对真实世界动态网络的实证分析表明,长期关系比其他社交关系更有可能持续存在,并且许多这样的关系始终充当社交桥梁,而不嵌入到本地网络中。在机器学习的基础上使用了一种新的成本效益分析模型后,我们表明长期关系是更有益的,这部分解释了为什么长期关系比 - CVPRDS-Net++:用于 CNN 和 Transformers 的高效推理的动态权重切片
本文提出 DS-Net 和 DS-Net ++,两种基于动态权重分割的动态可裁剪网络。通过改变卷积神经网络 (CNNs) 或变压器 (transformers) 的滤波器数量和维度,以使其适应输入的不同难度水平,从而实现硬件有效的动态推理范 - WSDMF-FADE:边缘流异常检测的频率分解方法
提出了一种名为 F-FADE 的新方法,该方法使用一种新颖的频率分解技术有效地建模节点对之间交互频率的时变分布,从而检测边流中的异常,并在在线流设置中处理多种具有时态和结构变化的异常,同时仅需要恒定的存储空间。
- 动态网络的潜在空间模型
本研究利用潜在欧氏空间嵌入纵向网络数据轨迹,提出了一种动态网络模型,采用 MCMC 算法估计模型参数和演员的潜在位置。该模型具有有意义的可视化效果,易于处理方向或无向边,缺失边且很好地用于预测未来边。此外,我们给出了一种新颖的方法来仅使用边