关键词representation learning methods
搜索结果 - 2
- AAAI连续时间图表示与序贯生存过程
在过去的二十年中,图形的表示学习方法有了巨大的增长,具有多个应用领域,包括生物信息学、化学和社会科学。然而,目前的动态网络方法侧重于离散时间网络,或者将连续时间网络中的链接视为瞬时事件。为了解决这个问题,我们提出了一种依赖于生存函数的新型随 - 使用 T - 批处理进行动态网络表示学习时选择损失函数的影响
表示学习方法在将离散网络结构转化为连续领域方面为机器学习提供了革命性进展,但是动态网络在时间上的演变带来了新的挑战。我们通过数学分析提出了两种新的损失函数来克服 t-batching 中训练损失函数的局限性,并在合成和真实动态网络上进行了广