- 广度优先搜索和深度恒定重启随机行走的预期运行时间比较
通过对 BFS 和随机游走方法的性能分析,我们得到了一个阈值的交叉点,该交叉点在树的分支因子、目标深度和随机游走深度误差的线性增长条件下,证明了随机游走方法优于 BFS。
- 运动和天真预测融合在单变量随机游走中的点预测
通过将运动预测与朴素预测相融合,以实现准确的一步点预测,本研究介绍了一种新颖的预测方法。通过理论分析、模拟和真实世界数据实验,证明了该方法的有效性。它可在运动预测准确率低至 0.55 的情况下,优于基准模型如 ARIMA、线性回归、MLP - 有向网络的强弱随机行走
提出了一种适用于具有多个共同体的带符号网络的随机游走算法,其结果是一个相似性矩阵,可用于将节点聚类成对立的共同体。通过一系列实验表明,相较于基于强型游走的相似性矩阵,基于弱型游走的相似性矩阵在具有多个共同体或在链接密度上不对称的图中能够更好 - 通过随机游走学习图上的长程依赖
本文提出了一种名为 NeuralWalker 的新型架构,通过将随机游走视为序列,利用序列模型捕捉这些游走中的长程依赖关系,从而克服了消息传递图神经网络和图变换器方法的局限性,实现更具表达力的图表示,并能够使用任何序列模型来捕捉长程依赖关系 - 图元修正随机游走错过的拓扑信息
通过引入轨道连接来捕捉所有拓扑邻域信息,我们提出了一个新的网络嵌入方法,与基于随机游走的方法相比,能够更好地预测节点标签,证明了包括随机游走无法捕捉到的拓扑邻域信息的重要性。
- 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 - 带复杂权重的复杂网络的结构平衡与随机游走
该论文讨论复数权重网络的组织结构和动态特性,基于有偏的图的概念提出了一个分类方法,阐述了局部和全局一致性条件下随机行走的动态特性,同时提出了一种谱聚类算法。
- ACL使用软提示和随机游走触发语言模型中的多跳推理以进行问答
本文提出通过结构化知识图谱中的随机游走来指导语言模型完成多跳推理,从而有效解决语言模型在问答任务中组合多条逻辑事实的限制,并在两个 T5 语言模型上取得了显著的实验效果提升。
- 拟蒙特卡罗图随机特征
本文提出一种新的机制,通过采用反向终止方法,在算法的随机游走长度之间产生负相关性,从而改善最近引入的图形随机特征(Graph random features,GRFs)类的准蒙特卡洛(quasi-Monte Carlo,q-GRFs )在稍 - ICML一般图上的自我排斥随机游走 - 通过非线性马尔可夫链实现最小采样方差
通过自反随机游走(SRRW)设计的随机游走者,结合采样和邻域探索的马尔可夫链蒙特卡罗(MCMC)过程,近似目标分布,并在一定程度上提高采样方差
- 经典随机游走与量子游走驱动的赌博算法
本文提出了一种基于量子漫步的算法来解决多臂赌博机问题,通过将探索和利用与量子漫步的两种行为联系起来,我们表明这种新的基于量子漫步的策略相对于相应的基于随机漫步的策略实现了高性能。
- 基于图结构特征的转移概率矩阵嵌入
介绍了一种基于过渡概率矩阵的新方法,使用随机游走捕获节点和其周围节点的连接结构,并将信息转换为匿名游走以提取节点的拓扑特征,并在节点嵌入过程中使用匿名游走来获得更好的性能,在节点分类和链接预测任务中,该算法的性能优于现有文献中的最新算法,同 - RDF2vec 的实体和属性遍历方式
RDF2vec 是一种知识图谱嵌入机制,从知识图中提取实体的序列,然后使用 word2vec 算法计算实体的向量表示,新引入的 e-walks 和 p-walks 强调实体的结构或邻域,可用于创建重点相似性或相关性的嵌入。
- Residual2Vec: 带随机图去偏置化图嵌入
本文提出了一种名为 residual2vec 的新型图嵌入方法,通过使用随机图来去除不同结构偏见,不仅改善了链接预测和聚类性能,还允许我们在图嵌入中明确地建模突出的结构特性。
- 基于随机游走的 1D 卷积图学习
本研究提出了 CRaWl,一种基于 1D CNNs 处理小子图序列的神经网络架构,用于图学习,可高效地进行小子图计数和随机游走技术,并在分类和回归上的图多个基准数据集上,表现出与最新 GNN 架构匹配或优于其表现。
- RePBubLik: 插入链接减少极化泡沫半径
研究了调整超链接图结构减少结构偏差的问题,利用随机游走策略的改进算法 RePBubLik 可以快速地最大程度降低极化气泡半径并推荐最佳边插入,获得与现有方法相比更低的结构偏差。
- STP-UDGAT: 用于下一个 POI 推荐的空间 - 时间 - 偏好用户维度图注意力网络
本研究使用新颖的探索 - 利用模型,提出使用 Spatial-Temporal-Preference User Dimensional Graph Attention Network (STP-UDGAT) 来同时为用户的个性化偏好和探索新 - 超图随机游走、拉普拉斯和聚类
提出了一种基于随机游走的灵活的超图数据聚类框架,该框架利用了依赖于边缘的顶点权重。通过使用边缘相关的顶点权重,我们说明了如何构建不同的超图拉普拉斯矩阵,并针对多个真实应用程序中的数据集进行了比较试验,结果表明该方法产生了更高质量的聚类结果。
- 超图上的随机游走
本篇研究提出了一种基于高阶网络结构的新型随机游走模型,探究高阶网络中的扩散过程及其对信息扩散的影响,旨在揭示复杂网络系统中偏向性信息传播机制并成功应用于多特征对象分类任务中。
- 关于网络中的接近性和结构角色嵌入:误解、技术和应用
本篇论文介绍了结构角色和社群的概念,阐明了二者的本质区别,探讨了通过随机游走、特征扩散等机制实现社群或角色结构嵌入的方法,并分析了适用于社群或角色结构嵌入的应用和数据特征。