- CVPR超载荷视觉变压器:将度量学习的改进相结合
基于超几何空间的视觉 Transformer 模型,使用改进版的成对交叉熵损失函数直接优化嵌入向量,经过六种不同的数据集表明得到了全新的最先进性能。
- AAAI自适应 Poincaré 距离点集用于少样本分类
本文提出了一种上下文感知的双曲度量学习方法,可用于 few-shot learning 任务,并且在多个分类基准上的实验结果表明这种方法不仅具有鲁棒性,而且表现优于基线模型。
- 使用双曲几何建模无标度图以实现知识感知推荐
本文提出了一种基于超几何知识增强图卷积网络的知识感知推荐方法,用于解决传统推荐系统中数据稀疏和冷启动问题,通过将知识图谱与用户 - 项目交互进行统一构建三元图来建模,采用不同的信息传播策略在超 bolic 空间中显式地编码异质信息,实现信息 - KDD在双曲空间中通过隐式分层学习进行离散时间网络嵌入
本文提出了基于超伯利模型的时间图网络(HTGN),旨在通过利用超伯利几何的指数能力和层次意识来捕捉时变行为并保持层次信息,从而在时间图嵌入方面取得更好的效果。在多个真实数据集上的实验结果表明,HTGN 在各种时间链接预测任务中的表现优于竞争 - 洛伦兹图卷积网络
本文提出了一种新的超半球几何图卷积神经网络(Lorentzian graph convolutional network,LGCN)来学习超半球几何中的节点特征,并在 6 个数据集上的实验表明,相比于现有的超半球几何图卷积神经网络方法,LG - EMNLP低维度知识图谱嵌入的轻量级欧几里德模型:不需要双曲几何
在基于超球几何的知识图谱嵌入模型的基础上,本文提出了两种轻量级的基于欧几里得空间的模型,称为 RotL 和 Rot2L,通过简化超球运算并利用一种新颖的双层堆叠变换,Rot2L 模型在低维知识图嵌入中实现了最先进的性能且计算成本更低。同时, - 预测未来的可预测性学习
该论文提出了一个基于超伯利几何的预测模型,能够从未标记的视频中学习可预测特征的层次结构,并在动作预测方面展现出层次表示法的关键作用。
- 图形几何交互学习
本文提出了一种名为几何交互学习(GIL)的新方法,以利用欧几里得和双曲几何空间的优势,更有效地学习图表的几何特性,并实现节点分类和链接预测任务的优异实验结果。
- 计算可行的黎曼流形用于图嵌入
本研究探索了在借助矩阵流形学习和优化图嵌入的情况下,如何在曲线里曼尼流形中提高图像嵌入的表现。我们的实验结果证明,在各种衡量不同图形属性的指标基础上,我们通常优于基于超球体和椭球嵌入的欧几里得嵌入,从而为非欧几里得句子嵌入在机器学习流水线中 - 双曲图卷积神经网络
本文提出了第一个归纳式的超几何图卷积神经网络 (HGCN),它利用了超几何空间的表达能力和嵌入高度曲率的特点来学习分层和无标度图的归纳式节点表示,并说明了如何将欧几里得输入特征转换为具有不同可训练曲率的超几何嵌入。 实验证明,HGCN 学习 - 随机游走同构定理的几何学
本文研究连续时间随机行走、高斯自由场和 $n$ 维自旋系统之间的同构定理,并将其推广到超半球和球形几何中。
- 可扩展的双曲推荐系统
我们提出了一个大规模的双曲线推荐系统,使用双曲几何作为基础几何模型可以显著提高推荐效果,并通过使用 Einstein 中间点等策略,实现了对数百万用户和数十万物品的大规模推荐。
- Poincaré 变分自编码器实现连续的分层表示
本文利用 Poincaré 球模型的超几何结构作为潜变量空间,研究了 VAE 在这个空间的运用,该方法在嵌套数据结构下表现出色,并展现了超几何结构对于 VAE 的优越性。
- 在双曲空间中进行大间隔分类
介绍了一种称为超伪空间支持向量机(hyperbolic SVM)的分类器,其能够在保持超伪几何的前提下准确地分类超伪空间中的数据,并在真实复杂网络和模拟数据集上展示了超伪 SVM 在多类预测任务上的性能优势。
- 双曲型注意力网络
通过使用双曲注意网络,将双曲几何约束引入神经网络的参数,提高了神经网络在处理具有层级结构和幂律分布数据时的泛化能力。
- 费舍尔信息距离:几何阅读
本文采用几何方法研究 Fisher 距离(用于测量两个概率分布函数之间的差异),并在多种统计模型中应用超几何几何学推导 Fisher 距离,同时设计与 Kullback-Leibler 差异测量的关联。
- 复杂网络的双曲几何
研究采用非欧几里得超几何模型来探讨复杂网络结构、度分布和拓扑性质,建立了网络结构与统计力学之间的映射,证明这种模型可以最大化网络传输效率,并且对于各种突发的破坏和损坏非常稳健。