- 回归传统:用传统机器学习学习可靠的启发式方法
当前的学习规划方法在几个领域中仍无法与经典规划器达到竞争力的性能,并具有较差的综合性能。本研究提出了一种构建新颖的图表示的提升规划任务,并使用 WL 算法从中生成特征的方法。这些特征与传统机器学习方法结合使用,其参数数量比最先进的深度学习规 - 大规模属性图假设检验的基于采样的框架
这篇论文介绍了基于假设的图采样和假设测试框架,通过路径假设感知采样方法 PHASE 提高准确性和时间效率。实验证明,该框架能够有效利用常见的图采样方法进行假设测试,并且在准确性和时间效率方面具有优势。
- 稀疏图表达工序指导文件
我们提出了两种方法,将文档对表示为包含顺序信息的有向稀疏 JCIG 图,其中我们使用 Siamese 编码器和 GCN 构建的稀疏有向图模型在不包含顺序信息的数据集上达到与基线模型相当的结果,在包含顺序信息的教学文档数据集上优于基线模型十个 - AAAI学习领域无关的触发条件与提升计划
我们提出了三种新颖的图表示方法,用于使用图神经网络(GNN)指导搜索,以学习与领域无关的启发式。我们还提供了对我们模型表达能力的理论分析,证明其中一些比 STRIPS-HGN(唯一的其他现有的学习领域无关启发式模型)更强大。我们的实验表明, - 将手术视频编码为隐式时空图,用于对象与解剖驱动的推理
利用潜在时空图对外科视频进行建模,以表示其组成的解剖结构和工具随时间的变化,通过添加长期时间边增加对手术场景演化的建模,并引入新颖的图编辑模块,评估了两项下游任务,取得了强大的结果,证明了学到的表示的质量和灵活性。
- 通过隐式图对齐进行少样本上下文内模仿学习
通过将模仿学习作为对象图表示之间条件对齐问题来解决机器人在新对象上学习任务的困难,使得机器人能够在示范之后立即在一组新对象上执行任务,无需先验知识或进一步训练。
- ICCVSelfGraphVQA:基于自监督图神经网络的基于场景的问题回答
通过使用预训练场景图生成器从图像中提取场景图,并应用语义保持增强和自监督技术,我们引入了 SelfGraphVQA 框架,改进了图表示在视觉问答任务中的利用,从而避免昂贵和潜在有偏的注释数据,并通过图像增强创建提取图的多个视图,通过优化它们 - Gode:将生化知识图谱整合到预训练分子图神经网络中
本文提出了一种新的方法,将单个分子结构的图形表示与生物医学知识图的多领域信息相结合,利用自监督策略进行预训练,成功地应用于化学性质预测任务,取得了超过现有最先进模型的表现。
- 从神经元到图形:大规模解释语言模型神经元
该论文介绍了一种自动化的方法来解释大型语言模型中的神经元行为,并将其转化为可解释的图形表示,从而提高大型语言模型的可解释性和安全性。
- AAAI基于图重构攻击的单纯神经网络隐私泄漏测量(学生摘要)
研究了图表示是否可以通过图重建攻击来倒推生成它们的图,提出了一种通过图解码器从表示中恢复出图的方法。通过对三种不同类型(GCN,GAT 和 SNN)的图表示进行研究,发现 SNN 输出具有更好的保护隐私的能力,这表明对于更高阶的节点信息,需 - ICMLPWLR 图表示法:带有随机游走的持续 Weisfeiler-Lehman 分类方案
提出了基于逐步 Weisfeiler-Lehman 随机游走方案(PWLR)的持久化算法,通过规范化的 Weisfeiler-Lehman 程序、图上随机游走和持久化同调等方法,将图的局部拓扑特征、节点度和全局拓扑不变量等特征结合起来,生成 - ICML基于不确定性估计视角的图分类中的 OOD 检测
本研究从不确定性估计的角度考虑了图分类的离群检测问题,对几种最近提出的方法进行了比较,发现在离群检测时需要考虑图形表征和预测分类分布。
- 使用 GNN 探索 Horn 子句的表示(扩展技术报告)
本文提出了一种新的基于图的编程语义学习方法 - 关系超图神经网络(R-HyGNN),通过学习规约角色(Constrained Horn Clauses)的图形表示,提供了一种有效的语言无关的程序特征提取方式,并在 CHC-COMP 2021 - CGMN: 一种用于自监督图相似性学习的对比图匹配网络
本文提出了一种对计算机视觉、图分类和协同过滤等领域特别有用的图相似性计算方法。此方法称为自监督图相似性学习,其基于对图像对的图形匹配任务和自学来训练的一种对比学习框架,可以更好地揭示图像的差异和共性,并跨越不同的图形对进行一致性识别。此方法 - AAAI关于在评估图形表示时使用不切实际的预测的几百篇论文
本文研究机器学习中关于多标签节点分类问题的性能评估方法,发现许多相关研究采用不切实际的标签真值进行预测,导致结果被高估;本文提出了一种简单有效的评估方法,并在此基础上,对主要的图表示学习方法进行了公正深入的比较。
- GOHOME: 面向图形的热力图输出用于未来的运动估计
通过图表达和稀疏投影,本文提出了 GOHOME 方法,生成了一种热图输出,代表给定交通场景中某个代理未来位置的概率分布,避免了传统 CNN 的高计算负担,并以极大速度和内存负担减少达到了 Argoverse 1st place 方法 HOM - 图形对比学习的实证研究
本文提出了一种利用 Graph Contrastive Learning 无人工标注学习图形表示的新范式,并通过对一系列基准任务和各种领域的数据集进行广泛、可控的实验,研究不同的 GCL 组件之间的相互作用,得出了一套有效 GCL 的一般特 - EMNLP动态知识图谱交互式机器阅读理解
本文研究在机器阅读理解任务中,通过动态构建和更新表示文本信息不同级别的四种不同类别的图表,并使用神经模型在增强学习代理中对表示进行编码,证明了图表表示可以显著提高交互式机器阅读理解代理的性能表现。
- ICML图嵌入的对称空间:一种 Finsler-Riemannian 方法
使用对称空间和 Finsler 度量结合的 Riemannian 优化方案来生成图形表示,并在实验中表现出优越性。
- ECCV面部解析的边缘感知图表示学习和推理
本文提出一种采用图表示法学习面部解析的方法,通过对面部不同区域之间的关系进行建模和推理,并利用区域之间的边缘信息进行优化抽象,较好地完成了对面部图像的细分割。