- 图结构化数据中的异常检测:一项调查
综述了基于图数据的异常检测技术,包括应用领域、假设和技术分类、改进方法的基本研究思路以及现有技术的优缺点,最后探讨了基于图结构数据的异常检测领域的未来研究方向。
- 基于双图的关注多模学习的微服务系统异常检测
本论文提出了一种基于图的半监督异常检测方法 ——MSTGAD,通过关注多模态学习,无缝地集成所有可用的数据模态,以实现对微服务系统中的异常进行实时自动准确检测。
- DualHGNN: 基于多视角学习和密度感知的半监督节点分类双重超图神经网络
该研究提出了一种新的双超图神经网络 (DualHGNN) 模型,它同时整合了超图结构学习和超图表示学习,通过利用多视图超图学习网络探索多个视角下的最优超图结构,并利用密度感知超图注意网络来探索基于密度感知机制的高阶语义相关性。在各种基准数据 - 基于图滤波的拓扑特征选择方法
本文介绍了一种基于图形的无监督特征选择技术,该技术利用拓扑受限网络表示的威力,使用和弦图来建模特征之间的依赖结构,通过研究它们在网络内的相对位置来最大化特征相关性的可能性,并在不同应用领域的 16 个基准数据集上测试我们的算法,结果表明我们 - 基于图数据的抗议事件抽取:CASE2021 任务 1 的 EventGraph 方法
本文介绍了我们参与 CASE 2021 任务 1 子任务 4 的提交。EventGraph 系统使用端到端的基于图形的语义分析器来适应抗议事件提取,并专门针对子任务 4 的事件触发和参数提取。我们尝试使用各种图形将事件编码为 “标记边缘” - WWW开源软件开发者的代码推荐
本文提出了一种新的代码推荐框架 CODER,通过建立异构图并对文件结构进行聚合,实现了微观用户-代码交互和宏观用户 - 项目交互的联合建模,进而预测开源软件开发者的未来贡献行为。该框架在多种实验设置下(包括项目内、跨项目和冷启动推荐)都取得 - 基于知识图谱嵌入模型的上下文依赖异常检测
该研究利用上下文感知来提高机器学习模型的语义理解和上下文意识,提出了将依赖上下文的异常检测问题转化为链路预测问题的框架,并通过知识图谱嵌入模型实现系统,展示了该方法能够高度准确地检测出依赖上下文的异常。
- 阿里巴巴基于二进制分布式图的大规模视觉搜索
本研究提出了一种名为二进制分布式图形算法的方法,该方法使用二进制编码与图形结构相结合以加速在线和离线程序,并通过回忆更多二进制候选项来实现与实值场景中的性能相当,废除了单个机器内存和磁盘存储的限制,对超过 30 亿张图像的阿里巴巴商品数据集 - ACL孟加拉文本文档的非监督式抽象摘要
该论文提出了一种基于图的无监督生成式摘要系统,用于低资源语言 Bengali 的单篇文档,只需要使用 POS 标注器和在 Bengali 文本上进行预训练的语言模型,该系统表现比多个聚焦摘要系统更好,并提供了人工注释的数据集以支持未来的研究 - 早期基于图形的异常检测的操作序列增强
提出了一种使用动作序列增强来进行早期异常检测的框架。该框架利用序列预测器预测每个用户的下一步操作,并利用动作序列增强和用户 - 操作图形异常检测之间的相互增强,可以更早地检测到异常,比需要更多观察数据的基准方法提高 15%的 ROC 曲线下 - 基于图的半监督学习的对比与生成图卷积网络
本文提出了一种新颖的基于图卷积网络的 SSL 算法,通过利用数据相似性和图结构来丰富监督信号,从而改善了现有方法的性能。该算法通过设计半监督对比损失和图生成损失提取潜在的关系,并在各种实际数据集上取得了显著的分类性能,与现有最先进的方法进行 - ACL长篇科学文档的基于话语的无监督摘要
本文提出了一种基于无监督的基于图的排名模型,用于提取科学文献的摘要。我们的方法假定源文档采用两级分层图表示,并利用不对称的位置提示来确定句子的重要性。在 PubMed 和 arXiv 数据集上的结果表明,我们的方法在自动指标和人工评价方面优 - 神经网络结构生成器优化
本文提出了一种将神经结构搜索 (NAS) 看作寻找最优网络生成器的问题,同时提出了一种新的、层次化和基于图形的搜索空间,实现了在极少连续超参数的情况下表示极大多样性的网络类型。通过贝叶斯优化作为搜索策略,该方法有效地扩展了有效架构的范围,促 - 基于图形的深度几何知识蒸馏
本文探讨了相对知识蒸馏涉及到潜在空间中的几何,引入一种基于图的方案,有效地从大型神经网络导出知识并传递到小型网络中,提高了性能表现和精度。
- CVPR基于图的 RGBD 视频高效分层分割
本文提出了一种高效和可扩展的算法,使用多级分层基于图的方法结合深度,颜色和时间信息进行三维 RGBD 点云的分割,证明了深度和颜色分离进行多级分割可以获得更好的结果,并具有增量处理能力,能够对视频进行任意长度的处理。
- CVPRFoldingNet:利用深度网格变形的点云自编码器
本文提出了一个新的端到端深度自编码器来解决点云上无监督学习的挑战,其中在编码器端强制进行了基于图的增强以促进 PointNet 的局部结构,并且通过新颖的基于折叠的解码器将一个规范化的 2D 网格变形到点云的底层 3D 对象表面上,从而实现 - 基于词语定义的反向词典实现 —— 基于节点图架构
本文提出了一种基于图的反向词典建立方法,利用单词定义来计算相似度,解决了 “Tip-of-the-Tongue” 问题,并与 Onelook 反向词典和 word2vec 方法进行了比较,证明了其表现更好,达到了新的表现基准。
- 非局部全变差与原始 - 对偶混合梯度算法在高光谱图像无监督分类中的应用
本文提出了基于图的非局部全变分方法(NLTV)用于无监督分类高光谱图像,采用原始 - 对偶混合梯度(PDHG)算法求解变分问题,通过平方标签函数和稳定的单纯形聚类算法实现无监督聚类方法,并在合成和真实的高光谱图像上进行了有效性验证,与球形 - 网络中的角色发现
本研究提出一种基于特征表征的角色分类法,包括基于图、基于特征和混合角色等三类技术,并提出了一个灵活的框架,通过角色特征构建和学习特征表征进行角色赋值,同时探讨了发现特征角色的各种技术以及其权衡和未来发展方向。
- 批量通知树(BIT *):通过启发式引导搜索隐式随机几何图的采样最优规划
本文提出一种基于图形和采样基规划技术的易于操作的 Batch Informed Trees(BIT*)规划算法,展示了 BIT * 在模拟的随机环境和 CMU HERB 机器人的操作问题上的实用性,并证明了其概率上完备和渐近最优。