structural entropy | BriefGPT

关键词structural entropy

搜索结果 - 7

基于结构熵的半监督聚类算法在不同约束条件下的应用
我们提出了一种能够整合不同类型约束的半监督聚类方法 —— 结构熵半监督聚类 (SSE)，通过将常用的成对约束和标签约束统一处理，将约束融入结构熵中，并为其优化设计了相应的目标函数和算法。我们使用九个聚类数据集对 SSE 进行了实验比较，结果
PDF7 months ago
基于结构信息原理的对抗性社交机器人建模
利用结构熵原则基础的敌对社交机器人建模框架（SIASM）提出了一种数学框架，以更准确、更有效地建模敌对行为，并通过其在社交网络中的高度影响和可持续潜伏性方面显示出显着的性能改进。
PDF7 months ago
通过多尺度超像素图上的结构熵最小化进行无监督皮肤病损分割
基于结构熵和孤立森林异常检测的新型无监督皮肤病变分割框架 SLED，通过构建皮肤镜图像的超像素图，最小化结构熵实现皮肤病变的分割，并通过多尺度的异常检测机制增强分割的准确性。实验结果在四个皮肤病变数据集上表明了所提出框架的优越性。此外，对一
PDF10 months ago
WWWSE-GSL: 通过结构熵优化实现通用且有效的图结构学习框架
本文提出了一个名为 SE-GSL 的通用图结构学习框架，通过结构熵和在编码树中抽象的图层次来优化图结构的质量和可解释性，它对于各种图神经网络模型具有增强鲁棒性的作用。
PDFa year ago
无监督结构熵基鲁棒性图神经网络
提出一种基于结构熵的无监督鲁棒图神经网络，能够缓解图随机性带来的影响，且无需标签信息即可学习节点的适当表示；同时，该模型通过引入结构熵在目标函数中捕获一个具有相同嵌入的图，并在三个数据集上的聚类和链接预测任务中击败了基准模型，表现出更强的鲁
PDFa year ago
ICML基于结构熵指导的图层次池化
本文提出了一种基于结构熵的分层池化方法，通过全局优化算法和集群分配矩阵生成来处理局部结构损失和亚优问题，同时进一步设计了两种分类模型：SEP-G 和 SEP-N，表明 SEP 在图分类基准测试中胜过目前最先进的图池化方法，并在节点分类上获得
PDF2 years ago
COLING分层信息的重要性：基于树型图神经网络的文本分类
本篇论文研究了利用树形图编码模型进行文本分类，通过对网络结构的最小化熵的优化，提出了一种 HINT 模型，借助树形结构的层次性信息来提升文本分类效果，最终实验结果表明，在流行基准上 HINT 能够明显优于现有的最先进模型。
PDF3 years ago