- 一种评估和改进难以检测血管分割算法性能的新方法
血管分割中的局部血管显著性指数可以用于衡量具有低显著性的血管段的分割算法性能,并提出了一种数据增强方法以改善卷积神经网络的分割性能。
- ICML通过结构感知交互指数解释图神经网络
本论文提出了 Myerson-Taylor 互动指数,将图结构内化到节点值和节点之间的互动值之中,并使用 Myerson-Taylor 结构感知图解释器(MAGE)基于二阶 Myerson-Taylor 指数识别影响模型预测的最重要模体。通 - AAAI基于递增蒸馏的持续知识图嵌入
基于增量蒸馏的竞争性方法对 CKGE 进行了改进,通过充分利用知识图谱中的显式图结构,优化了学习顺序,并设计了一种新颖的增量蒸馏机制以有效保留旧知识,实验结果表明该方法在平均倒数排名得分上取得了 0.2%-6.5% 的改进。
- 分子图中优化 OOD 检测:利用扩散模型的新方法
通过采用基于辅助扩散模型的框架,我们提出一种检测异常分子的方法,其中比较输入分子和重构图之间的相似性,并通过生成模型中的迭代去噪过程以有效量化匹配度,构建符合正常分子但远离异常分子的典型图,并使用高效可扩展的异常检测器,比较测试样本与预先构 - 组合优化的图强化学习:调查与统一视角
图离散结构上关于决策制定方法的综合视角,通过采用强化学习算法解决图优化问题。
- PDNNet: PDN 感知的异构 GNN-CNN 网络用于动态 IR Drop 预测
通过引入图结构,借助机器学习技术预测电力传输网络上的动态 IR 丢失,提出的方法相对于基于卷积神经网络的方法,减少了最多 39.3% 的预测误差,并实现了与商业工具相比的 545 倍加速。
- 通过自表达图结构重建实现图数据压缩
通过解释性自表示图结构重构的方法,GCSR 在显式地融入原始图结构的过程中,通过重构可解释的自表示图结构,解决了在训练大规模图上的图神经网络时,节点特征优化、构建可解释图结构的问题。
- COLINGFCDS:将成分和依赖句法融合到文档级关系抽取中
本研究将成分句法和依赖句法融合到文档级关系抽取(DocRE)中,使用成分句法整合整个句子信息和为目标对选择指导性句子,利用依赖句法在图结构中选择实体对之间的路径。实验结果表明该方法的有效性。
- AAAI深度对比图学习与聚类导向引导
基于图卷积网络,提出了深度对比图学习模型(DCGL),用于一般数据聚类。该模型通过建立伪孪生网络,将自编码器与图卷积网络相结合,强调图结构和原始特征,并引入特征级对比学习来增强判别能力,利用样本与质心之间的关系作为聚类导向指引。然后,设计了 - GraphEdit: 大规模语言模型用于图结构学习
通过使用大型语言模型来学习图结构数据中的复杂节点关系,GraphEdit 方法无论在去噪连接还是从全局角度识别节点依赖方面都提供了全面的图结构理解,有效克服了显式图结构信息的局限性,增强了图结构学习的可靠性。
- 有效图数据估值的优先级约束冬季价值
图状数据估值方法研究及其在计算任务中的效果验证。
- 机器学习与应用中的特征网络方法
机器学习中的特征网络是连接具有相似性的学习任务中的特征的图形表示,通过充分利用傅里叶分析和函数分析中的函数操作,可以轻松生成新的特征,应用于机器学习中的图形化卷积神经网络扩展到具有不同深度或复杂度特征的分层表示,并讨论了使用特征网络工程化新 - AAAIH2G2-Net: 多模态生理响应发现的分层异质图生成网络框架
提出了一种自动学习无领域知识下的层次异构图生成网络(H2G2-Net),以及一种端到端的强大的层次异构图表示方法,用于预测人类的认知状态,并在实验中验证了其在多模态生理信号方面的优越性。
- HC-Ref: 针对图神经网络的稳健对抗训练的分层约束优化
近期的研究表明,通过恶意修改图结构或节点特征,攻击者可以严重降低 GNN 的性能。对抗性训练被证明是计算机视觉中最有效的对抗攻击防御机制之一,对于增强 GNN 的稳健性具有巨大潜力。本文提出了一种基于鲁棒对抗训练的分层约束优化框架(HC-R - 图彩票假设:发现稀疏且信息丰富的图结构
每个图都有一个极度稀疏的骨干,图学习算法可以在此骨干上训练,并且能够达到与完整图相当甚至优于其性能,该研究系统地研究了直接影响图学习算法性能的 8 个关键指标,并提出了在任意图中寻找这些骨干的简单高效算法。
- 基于注意力动态图的复杂协调模型
DAGMIX 是一种基于图的值分解方法,通过注意机制在训练过程中生成动态图,在大规模场景中表现出色,并在其他任务中取得了有希望的结果。
- EMNLPAMR 解析远未解决:GrAPES,AMR 解析评估套件
我们提出了 Granular AMR Parsing Evaluation Suite (GrAPES),这是一个用于 Abstract Meaning Representation (AMR) 解析的挑战集合,伴随着相应的评估指标。我们的 - 地理空间预测的图神经网络
利用 GraphTransformers 框架,在地理空间序列中进行轨迹预测,通过显式利用自动生成的图结构,可以显著改善地理空间轨迹预测。在 HurDAT 数据集上,我们的 GraphTransformer 方法明显优于基于 Transfo - EMNLP一个关于复杂时序推理的相对时间预训练故事
本文提出了 RemeMo(相对时间建模)模型,通过建立基于时间轴上事件相对位置的图结构,明确地连接所有具有时间范围的事实,并模拟任意两个句子之间的时间关系,实验结果表明 RemeMo 在多个时间问答数据集上的性能优于基准模型 T5,特别擅长 - KDD边缘节点的重要性:走向图中的结构公平性
在社交网络中,位于边缘区域(边缘节点)的个人与中心的人相比往往会受到不公平待遇。现有的公平性研究主要侧重于保护敏感属性(如年龄和性别),但是图结构所导致的公平性也应该受到关注。本文针对图神经网络中由图结构引发的新型公平性问题,即 “结构公平