关键词neighborhood selection
搜索结果 - 3
- 无监督图异常检测中的强化邻居选择
提出了一种基于增强学习的无监督图异常检测方法(RAND),该方法利用图神经网络学习节点表示并选择可靠的邻居节点,通过增加增强学习模块和异常感知汇聚器来提高检测性能。实验证明,RAND 方法在合成和真实数据集上优于现有方法。
- 利用图形去噪策略网络学习鲁棒表示
本文提出了 Graph Denoising Policy Network (GDPNet) 方法,使用增强学习从噪声图数据中学习鲁棒的低维表示,并在多个数据集上的节点分类任务中表现出优越性能。
- Lasso 方法下的高维图表与变量筛选
该文介绍了如何使用 lasso 算法来进行高维稀疏图的协方差无关估计,实现了变量选择,并控制了图中误连接不同的连通分量的概率,最终实现了稀疏图的一致性估计。