- Python 大规模稀疏图的高效图编码嵌入
图编码嵌入(GEE)的稀疏版本在计算和存储零元素方面进行了优化,与原始 GEE 相比,这种改进后的方法在处理大规模稀疏图时实现了显著的加速,可以在标准笔记本上几分钟内处理数百万条边。
- AMOSL:多视图图神经网络中的自适应模态结构学习,用于增强统一表示
通过适应性模态结构学习(AMoSL),我们采用优化传输来捕捉模态之间的节点对应关系,并与图嵌入进行联合学习,从而可以训练更准确的图分类器。
- MM图嵌入方法在社区检测中的稳健性
本研究探讨了在网络扰动(尤其是边缘删除)的情况下,图嵌入方法在社区检测中的鲁棒性。通过对合成和真实网络进行的实验证明了不同家族的图嵌入方法的不同程度的鲁棒性,发现网络大小、初始社区划分强度和扰动类型等因素对鲁棒性的影响。值得注意的是,nod - 重新审视 Skip-Gram 负采样:在图嵌入中进行尺寸正则化以实现更高效的差异性保留
将节点吸引和维度规范化作为替代方法的图嵌入优化技术,从而提高算法效率。
- 基于 FPGA 的图嵌入加速器使用顺序训练算法
本文研究了在 IoT 环境中使用的 node2vec 算法的应用,提出了结合在线序列训练算法的方法,并在资源有限的 FPGA 设备上实现。所提出的 FPGA 实现相较于原模型在 CPU 上获得了 205.25 倍的加速,评估结果显示,提出的 - 图坐标与传统神经网络:图神经网络的替代方案
提出了一种基于图拓扑的神经网络方法作为信息传递 GNN 的高效替代方法,实验结果表明该方法在准确性和 ROC-AUC 的相似水平下,相较于信息传递 GNN,需要较少的可训练参数,同时在 OGBN-Proteins 和 OGBN-Produc - 嵌入式技术中可解释透明的偏差控制
使用可解释和透明的方法来控制知识图谱嵌入中的偏见,以评估和减少受保护信息的隐含存在。
- 双曲图形对比学习的对齐和外壳各向同性
基于超辐角的对比学习在学习高质量图嵌入中表现良好,通过设计对齐度量和均匀性度量,解决了生态树属性和泊松球边界处的各向同态问题,实验证明了该方法在监督学习和自我监督学习中的有效性。
- 本地差别隐私图嵌入
本研究提出了一种名为 LDP-GE 的隐私保护图嵌入框架,通过局部差分隐私机制对节点数据进行模糊处理,并采用个性化 PageRank 作为节点表示的相似度度量,理论分析和实验证明 LDP-GE 在节点分类和链接预测任务中具有良好的隐私和效用 - 高效可视化大型图
本文介绍了一种基于降维的新颖图形可视化方法,称为 t-SGNE。t-SGNE 专门设计用于可视化图中的聚类结构,并通过使用图的邻居结构将时间复杂度从二次降低到线性的方式,支持更大规模的图。此外,结合拉普拉斯特征图嵌入算法和图中的最短路径算法 - 应用图神经网络预测均匀受载钢板的应力
本研究提出了一种新颖的图嵌入技术,通过将分离的板域视为顶点,利用图采样和聚合(GraphSAGE)预测具有不同几何形状的加劲板的应力分布,对比有限元 - 顶点图表示的方法,研究结果表明,图神经网络和所提出的图嵌入方法作为强大的三维结构的高效 - 力导向图嵌入与跳数距离
本研究提出了一种新颖的力导向图嵌入方法,利用稳定的加速度动力学公式来嵌入节点,以保留图拓扑和结构特征,实现了高性能的图处理和分析任务,相比最先进的无监督嵌入技术具有竞争性的性能。
- 在图嵌入中平衡本地和全局结构(LGS)
通过可调参数,在图嵌入中实现局部和全局结构之间的平衡,以便在二维图上有效地捕捉局部和全局信息。使用综合质量指标评估了该方法的性能,结果表明其与最先进的方法竞争力相当,包括应力、邻域保持等。引入了一种新的质量指标用于评估中间结构的保持,所有的 - 图关系感知的持续学习
连续图学习研究了从无限的图数据流中学习的问题,将历史知识整合并推广到未来的任务。在当前只有当前的图数据可用。本文提出了一种关系感知自适应模型,并说明了图边缘后面的潜在关系可以被归因为不变因素。通过实验证明,该模型在 CitationNet、 - KDD巨大的:使用 TPU 实现大规模无监督图嵌入
图嵌入是网络理解的常用方法,本论文提出了一种基于 Tensor Processing Units 的高性能图嵌入架构,能够解决大规模图的嵌入问题,并通过真实和合成的大规模数据集验证了嵌入空间的质量。
- 嵌入图的直觉模糊 RVFL 用于类别不平衡学习
本文介绍了一种解决机器学习中分类不平衡问题的新模型,将图嵌入和直觉模糊集与权重方案相结合,可从不平衡的数据集中提取语义信息、处理不确定性和不精确性,提高对各种基准不平衡数据集的分类效果,具有较强的实际应用价值和推广前景。
- GPINN: 带有图嵌入的物理知识神经网络
本文提出了一种基于图嵌入的物理信息神经网络框架(GPINN),使用拓扑空间而非传统的欧几里得空间来执行 PINN,以提高问题解决效率。该框架将拓扑数据集成到神经网络的计算中,显著提高了 PINN 的性能。通过 Fiedler 向量引导选择额 - 度量空间中图嵌入的紧凑快速泛化误差界
本文提出一种新的图嵌入一般化误差的上限,它作为距离表示的函数集的局部 Rademacher 复杂度的评估。我们的上限是几何半径 $R$ 的多项式,可以最快达到 $O (rac {1}{S})$,其中 $S$ 是训练数据大小。
- CAFIN: 基于中心性的公平性诱导内部处理用于图上无监督表示学习
本研究提出了一种基于中心性感知的公平框架,用于无监督归纳图表示学习算法,并证明了 CAIFN(一种技术)在 Link Prediction 和 Node Classification 任务上表现出很好的效果,并且能够在减少组间不平等性方面取 - 从图领域的公理到向量,并再次返回:评估基于图的本体嵌入的性质
文章研究了不同的图投影方法对本体学习中嵌入生成和公理预测性能的影响。研究发现,不同的投影方法以及本体知识表示上的选择都会对公理预测产生重要影响。