- 用有限差分信息图网络求解块结构网格上的恒定不可压缩流
使用图网络和图卷积有限差分方法来解决参数化设置下具有复杂流场的流动问题,与传统计算流体力学求解器相比,该方法在训练效率和准确性上都有所提升。
- 在大规模场景和视觉中,学习隐式形状的刚体模拟器
使用学习的有界几何网络的刚体模拟器,通过从多视角图像中提取有界距离函数(SDFs),首次演示了 GNN 模拟器在数百个物体和 110 万个节点的场景中的可扩展性。
- 基于热力学局部启发的图神经网络
这项研究通过引入感知力偏差,同时套用热力学第一和第二原理,提高神经网络的准确性,尤其是在涉及到图网络时,通过开发一种本地化版本的感知力偏差,避免了全局 Poisson 和耗散矩阵的拼装,从而保存了图网络的节点结构,并在固体力学和流体力学领域 - 等变时空关注图网络模拟物理动力学
学习表示和模拟物理系统的动力学是一个关键且具有挑战性的任务。在这篇论文中,我们将动力学模拟重新定义为时空预测任务,通过利用过去时期的轨迹来恢复非马尔科夫相互作用。我们提出了 ESTAG(等变时空注意力图网络),这是一种时空 GNN 的等变版 - 将人脸交互图网络推广至真实场景
准确模拟真实世界物体动态对于机器人、工程、图形和设计等各种应用至关重要。我们提出了一种减少运行基于图网络的学习模拟器所需内存的方法。基于这种内存高效的模拟模型,我们提供了一种感知界面,以可编辑的 NeRFs 形式将真实世界场景转换为图网络模 - 连续时间动态图的多角度反馈 - 注意力耦合模型
这篇论文介绍了多视角反馈 - 注意力耦合(MPFA)模型,它能有效地学习观察到的过程的交织动态,通过结合演化视角和原始视角的信息,以及利用时间自注意机制和反馈注意力模块来捕捉流动图上的长期依赖关系。实验证明了我们提出的模型的有效性和竞争力。
- 超图卷积网络用于精细化 ICU 病人相似性分析和风险预测
我们提出了一种新颖的超图卷积网络,可以捕捉隐藏的特征结构,计算个性化的死亡风险预测,评估表明我们的方法在死亡风险预测上优于现有模型,并且几个案例研究的结果证明了构建图网络在决策中提供良好的透明性和稳健性。
- 跨语言机器翻译中的词汇表不足:增加语言间表示单词的相似度
本论文提出了一种新的共享词汇的设计方法,通过定义词级别信息传递路径和使用图网络来融合跨语言的词嵌入,避免了多语言之间文字编码的问题,实验还表明该方法在高低资源多语言机器翻译中可实现显著的 BLEU 分数改进,且只需额外训练少于 1.0%的可 - ICLR通过完整的三维图网络学习分层蛋白质表示
本文介绍 3D 图结构的蛋白质表示学习。使用蛋白质结构构建 3D 图,循序渐进地学习蛋白质的不同层级表示,并提出了一种新的层次图模型 ProNet,以便更好的分类和表征蛋白质。实验结果表明,ProNet 性能优于现有方法。
- 针对文本逻辑推理的话语感知图网络
本文提出了逻辑结构约束建模的方法,通过引入针对命题单元的蕴涵或矛盾关系而非实体关系的逻辑结构来解决基于逻辑推理的问题回答任务,使用基于语篇的图网络实现了逻辑图构建和逻辑特征学习,并将基础特征与高级逻辑特征相结合,实现文本编码器的答案预测,实 - WSDMHTGN-BTW: 异构时间图网络与双时间窗训练策略用于时序链接预测
本文针对 WSDM Cup 2022 中的时间链接预测任务,提出了一种适用于异构时间网络的通用模型 —— 异构时间图网络(HTGN),以解决具有不固定时间间隔和多样化链接类型的时间链接预测任务;通过设计双时间窗口训练策略(BTW)训练模型, - 多视角意图解缠图网络用于束推荐
提出了一种名为 Multi-view Intent Disentangle Graph Networks(MIDGN)的新模型,可以更精确、全面地捕捉用户意图的多样性和物品的联系,并通过对比学习框架,改善了从不同视角解开的用户意图。实验表明 - Few-shot 时间序列分类的频谱传播图网络
提出了一个名为 SPGN 的新颖算法,它利用图网络显式建模和传播不同时间序列之间的频谱关系,结合标签信息进行谱传播,是少样本时间序列分类 (SPGN) 的第一个使用不同间隔的频谱比较和参与所有时间序列谱传播的方法。在少样本时间序列分类基准测 - ICCV双重本地图学习和相互引导的光场显著性检测
本文提出了一种基于图网络的局部连接模型,来有效地融合光场数据中的特征并指导焦散堆叠融合过程,同时通过相互的引导方案实现全部焦点和焦散堆叠的特征增强,最终得出比现有方法更优的显着性预测结果。
- 增强型说话者感知多方多轮对话理解
本文提出了基于掩码注意力和异构图网络的增强型说话人感知模型,以全面捕捉对话线索,实验结果展示了我们说话人感知模型在基准数据集 Molweni 上取得了最先进的表现,案例分析表明我们的模型增强了话语与说话人之间的联系,并捕捉到了说话人感知的对 - 高能物理中的粒子卷积
介绍了一种新型的粒子卷积网络层 (Particle Convolution Network, PCN),适用于喷注物理学中的许多任务。在两个标准基准任务中,表明可将 PCN 推广以包括与喷注物理学相关的其他卷积对称性,从而超越图网络设置,同 - ICML基于等变性的图网络数据效率
通过引入一种新颖的图网络架构,它对于保持相邻节点距离的所有坐标嵌入的任何变换都具有等变性,特别是在 $n$- 维中具有欧几里得和共形正交群等变性,从而使得所提出的模型相对于传统图形架构更加数据高效,并且本质上配备了更好的归纳偏差。我们表明, - ACL基于判别式推理的文档级关系抽取
本文提出了一种新颖的判别推理框架来显式地建模文档中每对实体对之间的推理路径,并利用构建的图形和每个实体对的矢量化文档上下文来估计不同的推理路径的关系概率分布,从而识别它们的关系,实验证明我们的方法在大规模 DocRE 数据集上优于之前的最优 - EmoGraph: 使用图网络捕捉情绪相关性
本文研究情感识别的方法,并提出一个基于图网络的 EmoGraph 模型,可以捕捉不同情感之间的依赖关系,提高多标签分类任务的性能。
- 人 - 物交互检测的视觉 - 语义图注意力网络
通过双图注意力网络,可以动态地从主要的人 - 物关系和附属关系中聚合环境视觉、空间和语义信息以实现强大的消岐能力。