- 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。
- AAAI基于原型随机游走的半监督少样本学习
本文介绍了一种基于随机游走的半监督少样本算法,相较于基于图的算法不需要额外的参数,在大多数基准测试中都比基线算法表现更好,且具有抗干扰性。
- 通过最小化覆盖时间发现探索选项
该论文研究强化学习中处理稀疏回报的方法,提出了通过构造最小化覆盖时间的选项来加速探索的算法,并在多个领域实验证明其可以改善学习效率。
- KDD有向图的节点表示学习
在本文中,我们提出了一种新颖的方法,通过采用交替随机游走策略来生成特定角色的顶点邻域,并在相应的源 / 目标角色中训练节点嵌入,以在完全利用有向图的语义的同时,为有向图中的两个不同节点角色维护单独的视图或嵌入空间,成功地解决了先前方法无法对 - BiasedWalk: 偏置抽样在图表示学习中的应用
提出基于偏置随机游走的可扩展无监督特征学习算法 BiasedWalk,适用于网络的降维和链接预测等任务,并在实验中显示它的优越性。
- MultiNet:一种可扩展的多层网络嵌入框架
本文提出了 Multi-Net 方法,一种适用于复杂多层网络的快速嵌入技术,通过利用四种随机游走策略实现更精确的节点嵌入并保留其邻居特性,表现优于四个来自不同领域的真实世界数据集,并且在网络重构任务上展现了独特性。
- AAAI使用循环神经网络学习图级表示
本文提出了一种结合无监督和有监督学习组成的方法,通过利用 random walk 方法和 Gumbel-Softmax 分布将图节点映射到节点序列,然后使用修改后的 RNN 神经网络单位学习节点表示方法和它们的邻域信息,实验表明该方法优于或 - 基于结构的局部规则传播策略在社交网络中的 Sybil 检测
本文提出了 SybilSCAR,一种新的基于结构的 Sybil 检测方法,其在理论和实验中都展现出比基于 Random Walk 和 Loop Belief Propagation 的现有方法更高的准确性,更强的鲁棒性,更高的可扩展性。
- 通过图注意力学习节点嵌入
该论文提出了一种基于注意力模型的图嵌入方法,通过训练随机游走的参数来优化上游目标,提高图结构保留性能,改进了现有方法达到了较高的预测准确率。
- 卷积神经网络在图结构数据上的推广
本研究介绍了一种卷积神经网络的泛化方法,使其适用于图形结构数据,使用随机游走揭示输入数据内部关系,通过学习底层图将其应用于许多标准分类或回归问题。
- 空间随机游走:一种高阶数据的随机过程
本文介绍了一种非马尔可夫随机过程,其稳态分布由张量特征向量给出。该随机过程的离散动态与连续动态系统相关,并用于人口遗传学、排名和聚类数据的几个应用以及纽约出租车轨迹数据的分析中。
- 有种子节点的 PageRank 算法的本地化
本研究通过研究种子 PageRank 以及它在不同网络拓扑结构下的行为,得出了在含有类似于现实社交网络中节点度数分布的图中,能够仅仅用数量较少的元素来近似种子 PageRank 向量的结论。同时,本研究在实际网络和合成网络上的试验给出了进一 - 多重网络中基于本地自适应随机游走的社区发现
本文提出了一种基于随机行走的 LART 算法,用于在多层次网络中检测出共享的社区结构,并基于此导出一个节点不相似度度量,最终采用分层聚类的方法得出节点分类。实验证明,相较于其他相关的社区检测算法,LART 在模拟多种情景时表现优异。
- NIPS近似计算马尔可夫链中单个状态的稳态概率
本文提出了一种新型迭代 Monte Carlo 方法,用于逼近具有正回归的马尔可夫链状态的稳定概率,其迭代次数少,对于每个状态的估计都具有保证,在终止标准的帮助下,提供了具有保证的近似值,其算法绑定在马尔可夫链上的步数是有限的。
- 量化时间分辨率对时变网络的影响
本文讨论时间变化网络的动态过程,着重研究了随机漫步的行为特征,并提出了简单数学框架来描述真实数据集上观察到的行为,从而分析了时间积分技术引入的偏差对时间变化图上动态过程的正确描述的影响。
- 随机采样:台球漫步算法
本文介绍了基于撞球轨迹的新型随机游走算法,与 Hit-and-Run 随机采样算法相比,本算法在实践中需要的步骤数更少,能更快地达到均匀分布。
- 基于成对比较的排名中心度
本文提出了一种迭代的排名聚合算法 ——Rank Centrality,该算法基于随机游走解释,用于发现从成对比较中学习出的对象分数。该算法的有效性以 Bradley-Terry-Luce(BTL)模型为例,并通过边界收敛速度分析方法估计出了 - 在大型图形中查找最接近的截断通勤时间邻居的一种可解决方法
通过加速随机游走算法计算截断通勤时间,不需要计算所有配对,本文在模拟和真实图表上进行了实验,结果显示计算时间近线性缩放。
- 超越随机游走和 Metropolis-Hastings 采样器:为什么你不应该为了无偏图采样而进行回溯
提出了 NBRW-rw 和 MHDA 算法分别解决了 SRW-rw 和 MH 算法扩散速度慢的问题,提供更高效率的无偏图采样。
- 快速增量和个性化 PageRank
本文分析了 Monte Carlo 方法在动态社交网络中增量计算 PageRank、个性化 PageRank 和类似的基于随机行走方法(重点关注 SALSA)时的效率,针对全局 PageRank 做出了重大改进,同时也可以同样高效地处理删除