- 基于图的知识探索:通道关系图的多层特征蒸馏
基于图知识的蒸馏方法结合多级特征对齐策略和注意力引导机制,利用谱嵌入的技术将学生模型的特征空间与教师网络的关系和结构复杂性相融合,通过全局视角理解和利用特征集之间的动态关系,从而更准确地模仿教师模型的复杂结构性依赖关系,实验证明该方法在 C - 边并行图编码嵌入
通过将 GEE 算法重构为 Ligra 图引擎中的并行程序,通过在图的边上映射函数并使用无锁原子指令来防止数据竞争,在具有 18 亿边的图上,这使得原始实现速度提高了 500 倍,并且比即时编译的版本快了 17 倍。
- 拉普拉斯范式化:一种最简化标志和基础不变性谱嵌入的方法
我们提出了一种轻量级的预处理方法,叫做 Laplacian Canonization (LC),通过直接找到特征向量的规范方向来解决问题,该方法适用于任何现有的 GNNs,并且发现了一种高效的算法,称为 Maximal Axis Proje - 学习结构感知的深度谱嵌入
本研究提出了一个深度学习算法,通过结构感知谱嵌入和结构保持,编码输入数据的子空间结构和形状信息,并基于自表达学习和注意力机制,能够更好地处理非线性数据集的聚类问题,并在六个真实数据集上取得了优异的聚类性能和更好的泛化能力。
- 基于 DIET 的无监督学习:以 Datum IndEx 为目标的自监督、重构、投影头自由
通过简化分类模型中的目标类为每个样本本身,引入了一种新颖的表征学习方法 ——DIET,它不需要解码器或投影器网络,也不需要正样本或重构,不引入超参数,并且可以跨数据集和体系结构直接使用,其学习到的表征质量高且与现有最先进的方法相当。
- 广义隐式神经表示法
研究了在非欧几里得域中学习隐式神经表征(INRs)的问题,介绍了一种利用图的谱嵌入来近似节点位置,并在各种真实世界的非欧几里得域的信号上进行了实验。
- 基于图论的可解释的仪表 - 变压器映射识别
该论文提出了一种利用谱嵌入方法来解决分布式能源资源对配电网中变压器过载的问题,通过使用电压基拉普拉斯矩阵的前 k 小的特征值辨别电表和母变压器之间的映射关系,该方法通过 IEEE 测试系统和真实饲养器的数字模拟实验证明了其可行性。
- 最小失真嵌入
该研究介绍了一种最小失真嵌入 (MDE) 问题的简单但广泛的框架,它包括多种嵌入方法,如谱嵌入,主成分分析,多维缩放,Isomap 和 UMAP 等降维方法以及新嵌入方法,并提供了一种验证历史和新嵌入的原则性方法。通过研发投影拟牛顿方法和开 - ICML邻接矩阵和拉普拉斯矩阵谱嵌入的外样本扩展极限定理
研究了针对图嵌入方法的样本外推问题,通过最小二乘方法和极大似然方法得出的新数据点嵌入向量近似服从中心极限定理及浓度不等式,并提供了一个既简捷又精确的计算成本与估计精度权衡框架。
- 随机块模型的渐近有效估计器:朴素最大似然估计、带秩约束的最大似然估计和谱估计
使用谱嵌入来估计随机块模型图中的块概率矩阵 B,在平均度数以 n 的 Ω(√n) 的速率增长时,我们建立了渐进正常性结果;当 B 是全秩的时,从谱嵌入得到的 B 的估计是渐近有效的;当 B 是奇异的时,从谱嵌入得到的估计可以比在没有排名假设 - 谱嵌入的统计解释:广义随机点积图
本文提出了一种新的混合成员随机块模型,使用频谱嵌入来生成节点向量表示,并通过使用高斯混合模型进行频谱聚类以及拟合保持最小体积的简单形体,可以在异 Philic 连接和消极的特定要求中提供更好的表现。
- 随机图中归一化拉普拉斯算子的特征向量的极限定理
本研究证明:在一个有限维的随机点积图的归一化拉普拉斯矩阵的 $d$ 个最大特征值所对应的特征向量的组成部分符合中心极限定理。作为推论,我们证明了对于随机块模型图,归一化拉普拉斯矩阵的谱嵌入的行收敛于多元正态分布,并且每个行的均值和协方差矩阵 - CVPRAffinity CNN: 学习基于像素的成对关系用于图形 / 背景嵌入
本文介绍使用谱嵌入算法实现感知组织中的图像分割和前景 / 背景组织,使用卷积神经网络直接预测像素之间的关系来构建矩阵,通过谱嵌入算法实现全局一致的分割和前景 / 背景组织,并与 CRF 结合的深度神经网络作了比较。
- 近似谱聚类:效率和保证
ASC 是一种用于图分区的启发式算法,其包含两个子程序,即通过幂方法计算近似的谱嵌入,并使用近似的 k-means 聚类算法对 resulting vector set 进行分区,通过其得到的 k-means 分区自然地引发了 G 中的 k - NIPS压缩谱嵌入:避开 SVD
本文提出一种基于随机投影与有限阶多项式拓展计算奇异值分解嵌入的压缩光谱嵌入算法,其降维效果与计算复杂度不受特征向量数量影响。此算法对聚类和分类等下游推断任务的对比相似度度量具有较好效果。
- 子空间学习的样本复杂度
本文探讨了机器学习领域中很多算法都需要从样本中估计一个线性子空间的问题,并针对不同的度量标准推导了新的学习误差估计方法,该方法还可以用于 PCA 和光谱支持估计的尖锐误差估计,是一种具有广泛适用性的光谱学习方法的算子理论方法的重要研究成果。
- 利用光谱嵌入技术对随机游走特征值的锐利界限
本文介绍了利用图的随机行走矩阵的前 k 个非平凡特征向量对图进行谱嵌入的方法,并使用此框架限制了所有图的所有特征值,并提出了一种新的工具 —— 谱嵌入,在分析可逆马尔可夫链中使用。