- ICLRSpecformer: 光谱图神经网络与 Transformer 的相遇
本文介绍了一种称为 Specformer 的基于自注意机制的可学习集合对集合谱滤波器,实现对图形代表的编码,在单个样本数据集上进行测试并比其他谱 GNN 表现更好。
- ACL人机交互的模式识别
使用 GPT-3 驅動的人機交互式 Schema induction 系統,能夠更輕鬆地在新領域中識別模式,並減少人工監管的負擔,從而生成更好的圖形表示。
- 将常识世界模型注入图谱知识
本文研究在一个开放式世界的文本冒险游戏中生成叙事的设定,使用游戏状态的图形表示来训练模型,可以消耗和输出基于图形的表示和自然语言描述和动作。通过结合众包和模拟游戏玩法构建一组大量的任务和复杂的动作数据集来构建这样的模型,发现通过在图形上下文 - 多视角 MOOC 质量评估:基于信息感知图表征学习
本研究基于信息感知的图表示学习,提出了一种多视角 MOOC 质量评估的方法,将 MOOC Heterogeneous Network 分解成可以描述课程多视角语义的多个单关系图,并利用互信息保留课程表示的有效性。在真实世界的 MOOC 数据 - 烤曲奇的 50 种方式:流程文本的映射
该研究提出了一种无监督学习方法,可将多个过程文本总结成直观的图形表示,用于探索任务的共性和差异,以帮助用户完成包括易于入门的菜谱修改和发掘烹饪创意等多种推理任务。
- 使用图神经网络对古典音乐符号的节奏检测
本文介绍了将符号乐谱视为图形来解决 Cadence 检测任务的方法,使用 Graph Convolutional Network 作为分类器,并证明了该方法可以检测多个层次的粒度。
- ECCV多模态轨迹预测中行人群体表示学习
本文介绍了一种新颖的架构,称为 GP 图,它具有有效的集体群表示法来预测拥挤环境下人行路径,同时兼容所有现有方法。GP-Graph 模型了解了个体和群体之间的关系,通过图形表示来表征它们,为个人之间的关系和一组之间的关系建立了图形交互,并在 - ICML自主学习图表示学习的全粒度自我语义传播
本文提出了一种名为 OEPG 的方法,可以用于图表示学习。该方法可以将全局的语义嵌入到本地图卷积中,实现本地图卷积与全局信息的相互适应,并可以通过预处理任务和动量更新来提高性能
- IJCAI基于多维边缘特征的面部表情动作单元关系图学习
本文提出了一种基于深度学习的 AU 关系建模方法,通过学习多维边特征与节点特征来描述面部表情不同组合之间的关系特征,从而实现更准确的 AU 识别。我们在 BP4D 和 DISFA 数据集上的实验结果表明,我们的方法不仅在各项识别指标上取得最 - 利用图变换网络对复杂文档布局中的文本语义进行建模
本文提出了一种基于图形表示的模型,并演示了我们不仅可以跨文档检索语义相似的信息,而且我们生成的嵌入空间也捕获了有用的语义信息,类似于仅适用于文本序列的语言模型。
- DocAMR: 多句 AMR 表示和评估
本文介绍了一种简单的算法,可将超句级的共指标注转化为统一的图表达方式,避免了信息合并的信息损失和不协调的问题。通过改进 Smatch 度量方法,使其可以用于比较文档级别的图形,并用它来重新评估最佳发布的文档级 AMR 解析器,同时提供了一个 - 嵌套图神经网络
这篇论文提出了 Nested Graph Neural Networks (NGNNs) 框架,通过将节点表示编码为子图而不是子树来表示整个图,从而比 1-WL 更强大地区分几乎所有 r 正则图,并且在基准数据集上表现出高度竞争性表现。
- AAAIAutoGCL: 可学习视角生成的自动图对比学习
本文提出了一种名为 AutoGCL 的新型对比学习框架,该框架运用一组可学习的图视图生成器通过自动增强策略生成对比样本,提高了现有对比学习方法的构图灵活性和语义保留能力,同时实现了端到端的训练,经过大量实验证明相对于现有方法具有更好的性能和 - AAAI超几何变分图神经网络模型用于动态图建模
本文提出了在超几何空间学习动态图形表示的方法,并引入了基于理论的时间编码方法的 Temporal GNN 用于建模动态性,设计了基于 HVGNN 的超几何图像变分自编码器用于生成具有随机性质的节点表征,此外还引入了超几何正态分布的可重参数采 - AGRNet:面部解析的自适应图表达学习和推理
本文提出一种用于面部解析的自适应图形表示学习和图形推理方法,旨在学习描述每个组件的代表性顶点,利用组件之间的关系,对面部区域中的歧义像素产生准确的解析结果。实验结果证明了所提出模型在多个面部解析数据集上的卓越性能,同时验证了其在人体解析任务 - ICLRDeepSphere:基于图形的球形 CNN
研究了一种基于图表示的方法,DeepSphere,在球形神经网络上设计卷积需要在效率和旋转等变性之间进行微妙的权衡,并且其性能卓越,甚至好于一些采用各向异性滤波器的方法。
- EMNLP神经机器翻译的文档图
利用图形化表示法将文档作为全局语境,并将其整合到传统的变压器架构中,结合多种关系,包括邻接,句法依赖,词汇一致性和指代,能够显著提高神经机器翻译的性能。
- COLING用于网络问答的半结构化数据图形表示
本研究提出了一种基于图表示的网络数据表和列表的有效分类方法,通过预训练技术和推理技术来进行问答任务,显著提高了目前最先进技术的 F1 分数。
- 双层图神经网络用于药物相互作用预测
提出了一种名为 Bi-GNN 的方法,用于建模生物学链接预测任务,如药物相互作用(DDI)和蛋白质相互作用(PPI),该方法不仅利用了药物分子本身的图形表示,还包括相互作用图。
- ICML基于对比的多视图图形表示学习
文章介绍了通过对比不同结构视图的图表达学习来实现自监督学习,相对于多视图或多尺度编码,通过对比一阶邻居和图扩散编码能够获得最佳表现。该方法在 8 个节点和图分类基准测试中取得了新的最佳结果,在 Cora(节点)和 Reddit-Binary