- 层次图神经网络的概率天气预测
机器学习在高分辨率天气预报方面已成为一种强大的工具,而准确捕捉这一混沌天气系统中的不确定性要求概率建模。我们提出了一种名为 Graph-EFM 的概率天气预报模型,结合灵活的潜变量形式与成功的基于图的预测框架。使用分层图构建使得能够高效地采 - 面向基于学习的方法的组合问题的通用表示
通过构建图形表示并引入图神经网络结构,本文旨在实现对组合问题的全面通用表示,并在四个组合问题的实验结果中展示了与专用架构相当的性能和广泛适用性。
- 基于脑电图的情绪识别中的图神经网络研究
通过开发图神经网络 (GNN) 在基于脑电图的情绪识别领域中的独特应用,研究综述了现有方法,并提供了构建 GNN 在基于脑电图情绪识别中的清晰指导,同时探讨了一些挑战和未来方向。
- 基于图像的点云颜色信息快速去噪
本文提出了一种快速图形化去噪方法(FGBD),用于大规模点云的实时去噪,通过快速图形构建、快速噪声估计以及低成本滤波器选择,可以在维持准确性的同时大幅减少处理时间。
- 无线网络中争用和干扰管理的图表示学习
Wi-Fi 网络中,对于 Restricted access window(RAW),通过用户分组和周期性时隙分配来管理竞争和干扰。该研究提出了将用户分组建模为图构建问题,通过优化图的最大切断来获得最优的分组决策,并设计了一种用于构建最优图 - 一个统一的公平谱聚类框架及有效图学习
我们提出了一种在组公平性约束下进行谱聚类的方法,通过从噪声数据中学习图构造方法和将传统的公平谱聚类的各个阶段整合到一个端到端的框架中,处理原始数据并输出离散的聚类标签。实验证明我们的模型优于现有的公平聚类方法。
- LightSAGE:Shopee 广告推荐中的大规模商品检索的图神经网络
在 Shopee 的大规模电子商务商品检索中,我们采用了图神经网络(GNN)及其简单但创新且有影响力的技术,包括图构建、建模和处理数据偏斜,以提高离线评估和在线 A/B 测试,并将模型部署到 Shopee 推荐广告系统的主要流量中。
- ICCV基于图的异步事件处理用于快速对象识别
本研究介绍了一种基于图的事件相机新框架 SlideGCN,通过事件逐个处理并保持图的内部结构,从而高效处理事件数据并保持低延迟特性。在图构建方面,采用半径搜索算法来更好地利用事件云的部分规则结构。实验结果表明,相较于当前基于图的方法,我们的 - 多文档问答的知识图谱触发
在多文档问答(MD-QA)方案中,使用知识图谱引导大型语言模型进行提示设计的带有图构造和遍历模块的知识图谱提示(KGP)方法,在提取支持材料和减少检索延迟方面取得了显著效果,并显示出利用图形增强大型语言模型中的提问设计的潜力。
- CVPR迭代图形精炼的基于原型的标签传播传导半监督学习
本文提出了一种基于原型标签传播的图构建方法,并对小图片网络、分层图片网络、CIFAR-FS 和 CUB 数据集进行了实验,展示了该方法在转导式 FSL 和半监督 FSL 方面优于其他最先进的方法。
- AAAI文本分类中的图卷积网络理解
本文分析了图卷积网络(GCN)在文本分类中的节点和边嵌入方式以及学习机制的影响,并在不同文本分类基准下得出了有用的结论。
- 寻求结构:联合学习图形结构和半监督分类
本文提出了一种新的并行图学习框架 (PG-learn),具有基于梯度的优化边缘权重和自适应资源分配方案的并行超参数搜索算法,能显著提高图构建的准确性和高效扩展到高维问题。
- ICMLIPC:用于学习图结构数据的基准数据集
提供了一个基于国际规划竞赛的新数据集 IPC,用于评估基于图的机器学习方法,并与现有数据集进行比较,其中该数据集包含具有不同特点的大量有向图,带来了重大的挑战,同时方便扩展。
- 句子级 TextGraphs 的多跳推理:为科学问题回答有效地结合信息有多具有挑战性?
通过评估来自三个自由文本语料库的知识图构建的通过词汇重叠连接的句子的机会聚合质量的 9,784 个手动注释的判断,我们实证表征了构建或遍历图形的困难,表明语义漂移倾向于很高并且聚合质量很低,高亮最大化有意义地组合信息的情况。
- ICLR学习传播标签:一种用于少样本学习的转导传播网络
本文提出了一种新的元学习方法 —— 传导传播网络(TPN),用于解决小样本分类任务中的低数据问题。该方法通过学习图构建模块来学习将标签从有标签实例传播到无标签测试实例的方法,并在多个基准数据集上验证了其表现,结果表明 TPN 在有标签数量较 - 拓扑数据分析的一致流形表示
提出了一种连续 k 近邻图构建方法 CkNN,适用于嵌入欧几里得空间的任意密度流形,证明 CkNN 在几何上是一致的,生成的图能够同时捕捉到流形的所有拓扑特征,并可用于快速聚类和图像中的拓扑模式识别,而且在大数据时限,CkNN 拓扑特征一致 - ICLR在线图构建的卷积神经网络半监督学习
本文提出了一种适用于深度卷积神经网络的在线构建图形的半监督学习算法,以利用未标记数据提高监督学习的泛化能力。与传统的半监督学习方法相比,我们的方法使用基于网格输出的动态构建图形来更新网络,获得更好的效果。
- 图聚类方法结果如何取决于图的构建
通过研究基于图形的聚类算法,特别是谱聚类,探讨了图的构建方式(图的选择、参数的选择、权重的选择)对最终聚类结果的影响,并以各种随机几何图形上的聚类质量和目标函数收敛值的例子,说明了在不同类型的图形上聚类结果有着不同的影响。