- 通过联合结构学习和最优传输实现强韧属性图对齐
本论文提出了 SLOTAlign—— 一个无监督的图对齐框架,将图对齐转化为两个矩阵间的最优运输问题,结合多视图结构学习增强了图表示能力并减少了图之间继承的结构和特征不一致性的影响,在六个无监督图对齐数据集和 DBP15K 知识图谱对齐基准 - 高速并行贝叶斯网络结构学习
本文提出了一种基于多核 CPU 的快速解决方案 Fast-BNS,用于加速贝叶斯网络结构学习,通过动态工作池设计、CI 测试分组、缓存友好数据存储和实时生成条件集等优化措施,实现了对处理时间和内存使用的有效控制,并在综合实验研究中证明了其相 - AAAI从动态图中学习有向无环图结构
本研究探讨了动态图数据上节点特征生成机制的学习问题,并提出了一种连续得分优化方法,名为 GraphNOTEARS,该方法有效地刻画了节点特征生成过程中的同时关系和时滞交互关系之间的 DAG 结构,可以在一个简洁的方式下展现特征生成过程。实验 - IJCAI基于语义知识的多变量时间序列预测的规则化图结构学习
本文提出了一种正则化图结构学习模型 (RGSL),通过节点嵌入推导出隐式的密集相似矩阵,利用 Gumbel Softmax 技巧学习稀疏的图结构,然后使用 Laplacian Matrix Mixed-up Module (LM3) 将显式 - 用对比权重修剪实现高效去偏
探索具有偏置数据集中的最佳无偏子网络的方法对于神经网络中可能存在的偏置仍然没有得到充分的研究,因此我们使用 Debiased Contrastive Weight Pruning(DCWP)算法来探索无需昂贵的组注释即可探索无偏子网络的方法 - 深度超图结构学习
为优化基于超图的数据表示学习中的超图结构,我们提出一种名为 DeepHGSL 的深度学习超图结构学习的通用范式,并引入信息瓶颈原理来构建损失函数,以减少超图结构中的噪声信息,从而提取更加鲁棒的特征表达,在四个基准数据集上的实验结果表明了模型 - BigBraveBN: 具有大量节点的贝叶斯网络结构学习算法
本文介绍了一种名为 “BigBraveBN” 的高效算法,该算法利用了勇敢系数、互信息度量和最近邻方法,用于学习大型 Bayesian Networks 的结构,并在实验中证明了其效率。
- 高维贝叶斯网络结构学习的并行抽样
该研究论文介绍了一种使用候选父集进行并行采样的近似算法,可以被视为高维数据结构学习的现有算法(MINOBS)的扩展,命名为并行采样 MINOBS (PS-MINOBS)。实验结果表明,与有运行时间限制的 MINOBS 相比,该算法在大多数情 - CVPR观察移动:无监督发现用于再定位关节的 3D 关节点
通过从多个视角观察未被注释的关节的外表和结构学习,实现姿势控制和连通性的自动识别,使渲染出的物体更真实。
- ICLR无需利用无环约束的高效神经因果关系发现
本文提出了一种新的有向无环因果图结构学习方法 ENCO,可以将因果图搜索表述为独立边似然的优化,并在不需要强制保持无环的情况下提供收敛保证。在实验中,作者展示 ENCO 可以高效地恢复拥有数百个节点的图,并处理确定性变量和潜在混淆因子。
- ICML无环 DAG: 一种高效的有向无环图结构学习方法
提出了一种新的有向无环图结构学习算法,通过在等价图势函数梯度集合中搜索来解决优化问题,并使用 Hodge 分解从一个初始环图中学习无环图,该方法在基准数据集上具有与基线算法相当的准确性和更高的效率。
- 连续约束优化在结构学习中的收敛性
该研究探讨了用增广 Lagrange 方法 (ALM) 和二次惩罚方法 (QPM) 求解结构学习的连续优化问题,发现 ALM 的收敛性质在线性、非线性和混淆情况下实际上和 QPM 相似,在 QPM 的渐近条件下收敛到有向无环图 (DAG) - 通过有向团树的因果 DAG 主动结构学习
本研究提出了针对因果有向无环图(DAGs)的干预设计的通用下限,并基于有向团树将 DAG 分解成可独立定向的组件,从而证明在任何 EC 中定向任何 DAG 所需的单节点干预数至少是每个基本图的链组件中最大团大小的一半的总和。另外,我们还提出 - 未知结构分解 MDP 中的 Oracle 高效遗憾最小化
本研究旨在通过基于乐观面对不确定性原则的算法,结合一种简单的统计方法来实现在学习 FMDP 结构的同时最小化后悔,证明了一个新的已知结构情况下处理的下界,并提出了一种变体算法,即使在现有近似规划器只限于非分解动作的情况下,仍然保持有效。
- 自编码推荐器的结构学习
本文利用协同过滤领域中的固有项群组,提出了一种结构学习方法,可以将自动编码器推荐算法的连接结构优化为稀疏连接,其结果比 Mult-vae/Mult-dae 等最先进的方法更为优越。
- 基于迭代深层图神经网络的图嵌入算法:更好更稳健的节点嵌入
本文提出了一种名为 IDGL 的端到端图学习框架,可以联合学习图结构和图嵌入,并将图学习问题转化为相似度度量学习问题,使用图正则化来控制学习图的质量,使用基于锚点的近似技术提高其可伸缩性。IDGL 模型在九个基准测试中表现优异,并能够更好地 - 关于稀疏性和 DAG 约束在学习线性 DAG 中的作用
通过研究稀疏性和 DAG 约束的渐近作用,提出了一种基于类似似然函数的求解 DAG 约束的无约束优化方法,该方法能够在处理成千上万个节点时仍然保持高精度。实验证明,该方法比使用最小二乘法和硬 DAG 约束的方法更加有效。
- WWW基于结构增强的文本表示学习用于高效的知识图谱补全
本研究旨在整合知识图谱的图嵌入和文本编码技术,以提高自动完成知识图谱的性能,实现更精确的链接预测和结构学习。实验结果表明,该方法能实现与文本编码方法相比 1-2 个数量级的推理成本减少和最先进的性能表现。
- SeqXY2SeqZ:通过从 2D 坐标序列预测 1D 占用段来学习 3D 形状的结构
该研究提出了一种使用 2D 函数来表示 3D 形状的方法,避免了 3D 采样的缺点,并通过一个名为 SeqXY2SeqZ 的模型学习 3D 形状的结构,表现出了比现有方法更好的性能。
- ICLR在计算限制下可用信息的理论
本文提出了一个基于信息论的新框架,旨在解决复杂系统中的信息推理问题,该框架基于 Shannon 信息理论的变分扩展,结合了建模能力和计算限制,提出了预测 V - 信息的概念,在模型表示学习和系统结构学习方面表现优于传统的相互信息的方法。