- 关于重构颜色细化的表达能力
Ulman 的重构猜想与图的连通性有关,可以通过顶点删除子图的牌堆来确定,我们通过证明,当给定牌堆中的子图通过颜色细化同构测试等价时,仍然可以确定连通性,因此,这意味着通过重构图神经网络可以识别连通性,这是一种新近引入的受重构猜想启发的 G - FairAC 的再现性研究
这项工作旨在通过调查原始论文的结果来验证论文 “在缺失属性图上的公平属性完成”(作者:Guo、Chu 和 Li,arXiv:2302.12977)中的声明。我们发现 FairAC 可以应用于各种数据集和敏感属性,并提供证据表明 FairAC - 图中节点子集上函数的贝叶斯优化
该研究论文提出了一种基于贝叶斯优化的新型图优化框架,通过将原图中的每个 k - 节点子集映射到新的组合图中,并采用局部建模方法来高效遍历后者的子图,从而解决了在图上定义的函数进行组合优化的问题。大量实验证明了该框架在各种类型的图和优化任务上 - 图生成的离散状态连续时间扩散
本文提出了一种离散状态连续时间设置的图扩散生成模型,该模型在以前的图扩散模型中从未被研究过。分析表明,我们的训练目标与生成质量密切相关,我们提出的生成框架在节点排序的排列方面具有理想的不变 / 等变特性。我们的模型在各种基准测试中表现出有竞 - ICML图作为点集
该论文介绍了一种新颖的图转换和集合编码方法,扩展了图神经网络的设计领域,并通过 Point Set Transformer 和 Deepset-based set encoder 的应用充分验证了该方法的可行性和出色的性能。
- 基于随机游走的知识图谱嵌入算法:Subgraph2vec
在本研究中,我们介绍了一种名为 subgraph2vec 的知识图谱嵌入方法,通过在用户定义的子图内运行 walks,用于链接预测,并证明我们的方法在大多数情况下具有更好的性能。
- 图卷积学习:用于节点分类任务的学习欺骗
这篇论文介绍了一种新的基于观点动力学的深度图网络 Lying-GCN,在异质和同质环境中能够自适应地工作,并通过研究系统的系数矩阵的频谱特性对我们的提议进行了表征,通过对合成和真实数据集的实证证明,表明这种谎言机制可在异质设置中提高性能而不 - 在图中学习单调半空间的高效算法
学习图上的顶点的二元分类器,特别关注具有特定抽象意义的凸分区类作为分类器,通过多项式时间算法和结构洞见,以及与底层图的关联进行学习,进行了有关监督学习、在线学习和主动学习中的凸分区类的研究和结果验证。
- 章鱼 v4:语言模型之图
使用 extit {functional tokens} 和图作为数据结构,Octopus v4 模型整合多个开源模型,实现了更好的性能和选择参数的理解和重新格式化,达到了同级模型中最先进的 MMLU 得分 74.8。
- 生成图分析的大型语言模型综述:查询、学习和应用
通过研究大型语言模型在图数据上的应用,整理了现有研究中采用高级语言模型解决的图分析问题,并指出了现存挑战和未来研究方向。
- ICLR修剪的循环神经网络层中的图扩展保留性能
神经网络的稀疏性和强连通性是扩展属性,对于在资源受限平台上使用递归神经网络进行实时序列学习任务来说,剪枝是必要的。本研究探讨了保持递归网络的大型谱间隙和层级扩展属性的方法,以及关于它们双分层图特性的时间展开递归网络图研究。通过 MNIST、 - 最大团问题的新方法综述:从经典算法到图神经网络和量子算法
这篇论文对最大团问题进行了全面的综述,介绍了解决该问题的经典算法,并对图神经网络和量子算法的最新发展进行了回顾,并提供了用于测试经典、新学习和量子算法的基准。
- Ariadne 与 Theseus:未知图中的两个移动代理的探索与会合
探索与会合问题中,我们研究了移动计算中的两个基本问题:探索和会合。通过在未知图中使用两个不同的移动代理,代理可以在所有节点上读写信息。我们展示了一个简单的深度优先搜索变体,在 $m$ 个同步时间步骤内完成了集体探索,其中 $m$ 是图的边数 - inGRASS:基于低电阻直径分解的增量图谱稀疏化
本研究介绍了 inGRASS 算法,用于大型无向图的增量谱稀疏化。通过多级电阻嵌入框架,该算法能够高效地识别关键边和冗余边,并利用低阻直径分解方案将初始稀疏化图分解成多个节点聚类。inGRASS 算法能在保持相当解决方案质量的同时,实现高达 - G-Retriever:文本图理解与问答的检索增强生成
给定具有文本属性的图,我们使用对话界面使用户能够与其图进行交流,在回答用户问题时提供文本回复并突出显示图的相关部分。通过开发我们的图问题回答(GraphQA)基准和集成 GNN、LLM 和 RAG 的 G-Retriever 方法,我们在多 - 在扰动图上定义信号的压缩恢复
从复合测量中恢复在图的节点上定义的信号,同时矫正图扰动的算法和理论分析
- 从多个分布中学习因果表示:一个通用设置
在非参数的因果表示学习中,通过稀疏约束和适当的因果影响条件,可以恢复有向无环图的势化图,从而揭示潜在因果模型的潜在变量及其关系的特定且复杂的方式。
- KDD最短路径与最小斯坦纳树间的查询决策回归
对于一个具有未知权重的图,如果我们知道一些节点子集关联的最小 Steiner 树,那么我们能否找到一对节点的最短路径?本文研究了这样一个原型问题,称为具有任务转换的查询 - 决策回归,重点关注最短路径问题和最小 Steiner 树问题。我们 - 大型有向图中基于桁架的社区搜索的有效索引
为了解决针对大型图检索最大 D-truss 中消耗过多计算资源的问题,在最近提出的 D-truss-connected 模型的基础上,我们引入了一种创新的合并关系,用于捕捉 D-truss 内边缘的内在密度和凝聚力,并构建了一个简洁紧凑的索 - ICLR从图到超图:超图投影及其修复
本研究探讨了将图而非超图作为表示实际世界互联系统的建模选择的影响,提出了超图投影导致高阶关系丢失的两个普遍模式,并量化了在无额外帮助下恢复丢失高阶结构的组合不可能性。此外,基于学习的超图重建方法通过使用超边分布的重要统计量,在不同设置下在