- 基于局部结构的图形对比表示学习
我们提出了一种局部结构感知的图对比学习方法 (LS-GCL),用于从多个视角建模节点的结构信息,并且通过多层对比损失函数来优化模型,实验结果表明我们的方法在节点分类和链接预测任务上均优于最先进的图表示学习方法。
- 基于结构导向的多模态预训练变压器用于知识图谱推理
我们提出了图结构引导的多模态预训练变换器(SGMPT)用于知识图谱推理,它采用图结构编码器来进行结构特征编码,并采用加权求和和对齐约束两种不同策略的结构引导融合模块,将结构信息注入文本和视觉特征,实验证明了 SGMPT 在多模态 KGR 方 - ACL沾上 PLMs 酱:通过条件软提示桥梁结构和文本以有效完善知识图谱
本文提出了一种名为 CSProm-KG 的方法,该方法通过平衡结构信息和文本知识来完成知识图谱的补全任务,CSProm-KG 只调整由实体和关系表示生成的条件软提示的参数,验证了其在多个静态和动态知识图谱补全基准测试中的有效性和优越性。
- 强化学习中的结构:综述与开放问题
为了克服弱数据效率、泛化能力有限、安全保障缺失、解释性差等因素导致强化学习在实际应用中面临的挑战,该论文提出了一种集成结构信息的方法来提高 RL 算法的性能和效率,并将结构信息的不同模式进行了分类,并提供了设计模式方面的新视角。
- K-Tensors:正半定矩阵聚类
本文提出了一种自洽聚类算法(K-Tensors),它是针对正半定矩阵的特殊结构所设计的算法,包括了一个专为正半定矩阵的结构信息而设计的距离度量,可在金融和生物医学研究等领域中具有广泛的应用。
- SIGIR精确、可解释和互动的推荐三重结构信息建模
TriSIM4Rec 是一种处理动态交互图上推荐问题的模型,它采用三重结构信息(用户 - 项目共现、用户交互的时序信息、项目间转移概率)并成功进行了融合,从而实现了推荐的高准确率、可解释性和交互性.
- GNNFormer:用于细胞病理学报告生成的基于图形的框架
为了自动生成细胞病理报告并提高效率,本文提出了一种称为 GNNFormer 的图神经网络和 Transformer 结合的图形框架,它是第一个显式地模拟细胞结构信息的细胞病理报告生成方法,并在 NMI-WSI 数据集上优于其他最先进的基线。
- 基于注意力机制的图卷积网络,融合潜在结构和多个特征
本文提出了利用结构信息和多种注意力函数计算权重的关注型空间图卷积(AGC)方法以及基于该方法的用于分类和预测点云标签的图神经网络(GNN)模型,实验结果表明,所提出的 GNN 性能优于现有方法。
- 具有时间和结构强度对齐的自监督时态图学习
本研究提出了一种自监督的方法 S2T,从不同方面提取时空信息和结构信息以学习更多信息量的节点表示,通过优化节点表示和狭化两个条件强度之间的差距来解决高阶结构信息被忽略的问题,并在多个数据集上对比实验表明该方法在时间图学习任务上表现优异。
- 结合自适应增强语义信息的知识图谱补全方法
该研究构建了一种知识图谱补全方法,通过微调 BERT 模型获取三元组中隐藏的语义信息,并使用注意力特征嵌入方法计算正负三元组中关系和实体之间的语义注意力得分,形成软约束规则来实现语义信息的自适应增强。此外,考虑到高维向量对影响,使用 BER - 跨维度网络的希尔伯特蒸馏
本文提出了一种全新的基于希尔伯特曲线的跨维度蒸馏方法 (HD),通过将 3D 特征转换为一维连续的空间填充曲线,将 3D 网络的知识迁移到提高 2D 网络性能,进一步提出了一种动态调整步幅的变长度希尔伯特蒸馏方法 (VHD),可以更好地学习 - 优化文本表征以捕捉政党间的 (不) 相似性
本研究旨在解决 fine-tuned 神经语言模型在特定应用中的文本表示优化问题,结合德国政党清单,通过使用基于文档结构启发式策略、最大化党内相似性及标准化等一系列措施,实现对政党相似性的可靠预测,无需人工注释。
- IJCAISGAT: 简单图注意力网络
本研究提出了一个基于 simplicial complex 的复杂语义表示方法:Simplicial Graph Attention Network (SGAT),通过将非目标节点的特征放置在简单形上,表示非线性、高阶节点或边缘的交互作用, - Neo-GNNs: 邻域重叠感知的图神经网络在链接预测中的应用
我们提出了一种名为邻域重叠感知图神经网络(Neo-GNNs)的方法,可以从邻接矩阵中学习有用的结构特征,预测链接,表现出比传统启发式方法更好的性能,可处理重叠的多跳邻域结构信息。
- 学习本地连接模式完成网络
该研究利用图自编码器框架中的图同构网络模型,通过捕捉网络的局部结构模式来完成整个网络的建模,同时提出了一种基于网络结构的评估指标 “可达聚类系数”,实验证明该模型在需要较少信息的情况下能够达到竞争性的性能表现,并在大多数情况下比基线预测模型 - 蛋白质结构感知的自监督学习
我们提出了一种新颖的结构感知的蛋白自监督学习方法,利用图神经网络模型预训练,从残基距离和二面角的角度考虑自监督学习任务,借鉴预训练蛋白语言模型的序列信息结合专门设计的 GNN 模型的结构信息进行伪二级优化,实验证明该方法在多个监督型下游任务 - StructToken:基于结构先验的语义分割方法再思考
本文提出了一种新的语义分割范式,名为结构感知抽取,并通过一组学习到的结构单元与图像特征之间的交互逐步提取每个类别的结构信息来生成分割结果,实验证明其优于目前广泛使用的三个基准测试。
- WWW通过结构 - 语义表示实现自监督的分类补全
本研究提出了一种名为 TaxoEnrich 的新的分类完成框架,它有效地利用现有分类体系中的语义特征和结构信息,并提供更好的候选位置表示以提高分类完成性能。实验结果表明,在四个来自不同领域的大型真实数据集上,TaxoEnrich 在所有评估 - ACLTransformer 语言模型可以使用哪些上下文特征?
通过在 Transformer 语言模型上进行一系列实验,我们发现对于当前 Transformer 语言模型的低困惑度,长上下文至关重要,但上下文的详细句法和命题内容并不重要,且在中长程上下文中,包括重新排列句子中的单词和删除除名词以外的所 - 图神经网络成员推断攻击
本文研究了基于图神经网络的成员推理攻击技术,发现 GNN 中结构信息是造成泄漏的主要原因,提出了两种有效防御方法,可将攻击者的推理准确率降低 60%。