- 自适应节点级权重学习的多阶图聚类
本文提出了一个多阶图聚类模型(MOGC),通过在节点级别整合多个高阶结构和边缘连接,采用自适应权重学习机制来自动调整每个节点不同结构的贡献,从而既解决了超图分割问题,又提高了聚类准确性。通过交替最小化算法高效地解决 MOGC 问题,并在七个 - 超图:一个统一且一致的定义及其在化学超图中的应用
通过新定义的超图,将无向超图、有向超图和嵌套超图的概念统一起来,以超边作为高阶事物之间的关联的单一结构,方便地表示一般和化学系统中的高阶关联,尤其适用于化学系统的机器学习。
- 图上 $p$-biharmonic 方程的连续极限
该研究探讨了图上的 p - 双调和方程,该方程出现在点云处理中,并可从超图的角度解释为图 p - 拉普拉斯的自然扩展。研究了当考虑随机几何图且数据点数趋于无穷时,解的渐近行为。我们展示了连续极限为具有齐次 Neumann 边界条件的适当加权 - 超 - 3DG: 通过超图进行文本到三维高斯生成
将文本描述转化为详细的三维模型,通过名为 “超图三维高斯生成(Hyper-3DG)” 的方法捕捉三维物体内部的复杂高阶关系,并通过几何和纹理超图优化生成高质量的三维对象。
- 通过超图对称打破实现高阶关联预测的表达力
超图表示能学习到更高阶的链接预测,通过预处理算法识别出对称的子超图来提高广义魏斯费勒 - 利曼 1 算法的表达能力。
- 社会问题的常规自动解决方案生成
研究报告通过构建基于代理模型的自动社会操作系统(ASOS)的方法,采用超图和符号混合框架来综合和结构化地表示社会动态,以解决当前社会问题生成解决方案的相关挑战,并在国际油期货市场中成功应用 ASOS 来识别潜在市场条件并进行干预,从而提出了 - 受挫随机漫步:一种在超图上计算节点距离的快速方法
我们提出了一种基于随机游走的新方法,用于超图上的标签传播,其中我们将节点距离估计为随机游走的预期命中时间,并引入了困惑随机游走来更好地描述高度复杂的实际超图。我们还将我们的方法与 DeepWalk 进行了基准测试,结果显示在目标数量较小的情 - ICLR从图到超图:超图投影及其修复
本研究探讨了将图而非超图作为表示实际世界互联系统的建模选择的影响,提出了超图投影导致高阶关系丢失的两个普遍模式,并量化了在无额外帮助下恢复丢失高阶结构的组合不可能性。此外,基于学习的超图重建方法通过使用超边分布的重要统计量,在不同设置下在 - AAAI稀疏超图上多智能体汤普森采样的有限时间频率后悔界
研究了多智能体多抽臂赌博机问题,针对联动臂的回报进行了探索,提出了一种高效的变体算法 epsilon-MATS,并证明了其在频率意义下的遗憾上界是次线性的,同时通过实验验证了其在相同情景下相比现有算法的卓越性能和改进的计算效率。
- 通过复杂的逻辑推理理解跨会话意图
通过引入逻辑会话复杂查询应答任务,以及提出逻辑会话图变换器(LSGT)模型,这篇论文研究了用户意图理解的复杂性,并证明了 LSGT 模型在此任务上取得了最先进的结果。
- 计算超图发现,连接数据的高斯过程框架
基于高斯过程方法的解释性高斯过程框架用于数据驱动的计算超图的发现和完成,可应用于方程发现、网络发现和原始数据分析。
- 超图回响状态网络
这篇文章介绍了一种超图回声状态网络(HypergraphESN)作为图回声状态网络(GraphESN)的推广,旨在高效处理超图结构数据,并导出了算法的收敛条件,讨论了与 GraphESN 相比的多样性。对于超图结构数据,对二元分类任务的数值 - 使用超图表示的合成文本生成
使用基于超图的方法生成语义框架,通过变换框架内容生成多样、连贯、风格、情感、格式、结构和事实都有变化的文档。
- 通过超图学习利用时空数据进行睡眠阶段分类
本文提出了使用超图对睡眠阶段进行分类的动态学习框架 STHL,它能够同时考虑多模态数据的异质性、互动性以及时空相关性,相比现有模型,在睡眠阶段分类任务中具有更好的性能。
- 混合图:一种统一的图表示法,用于复杂图的数据集和基准测试
本文介绍了混合图 (即高阶图) 的统一定义以及混合图基准测试 (HGB),并提供了可扩展的评估框架和支持代码库以方便在 HGB 上训练和评估 GNNs;我们的实证研究揭示了各种研究机会和空白。
- 张量化超图神经网络
提出了一种基于张量的高阶超图神经网络模型,它利用高阶外积特征传递实现了对高阶信息的有效提取,并通过部分对称 CP 分解方法降低了模型复杂度;在两个三维视觉对象分类数据集上进行的实验结果表明了其性能优越性。
- KDD超图节点边缘依赖标签的分类
本文提出了一个新问题,分类了边依赖节点标签。为了解决这个问题,我们提出了一种新的超图神经网络 WHATsNet,它可以根据超边的不同,反映参与节点的不同重要性,并在多个任务中显示其优越性。
- ACL临床笔记拥有自己的层级结构:基于多级超图神经网络的患者级表示学习
本文提出了一种基于层次结构且充分利用电子病历中的信息进行医院死亡预测的方法:通过一种名为 “TM-HGNN” 的、基于高阶图神经网络的多层次分类方法,结合病历和层次结构信息,有效地提高了预测准确率。
- 基于 1-Laplacian 的边相关节点权重的超图谱聚类
提出了一种灵活的超图 1-Laplacian 定义框架,包括依赖于边的顶点权重,以反映超边内不同顶点的重要性,增强了超图模型的表现能力。利用超图 1-Laplacian 的第二个最小特征向量进行聚类,可以实现比传统 Laplacian 更高 - KDD道路网络表示学习:基于双图的方法
本文提出了一个基于超图的图神经网络模型 HyperRoad 用于道路网络表示学习。此模型通过构建超图捕捉道路网络中的高阶联系,并利用图重建、超图重建和超边分类任务去学习结构信息和长距离联系。