- 用单个深度学习模型预测晶体的多个性质
本研究介绍了一种基于 Transformer 的适应性框架 CrystalBERT,该框架整合了空间群、元素和晶胞信息,能够准确预测各种物理重要性质,包括拓扑性质和超导过渡温度等,同时提供具有洞察力的对目标物性影响最显著的特征的物理解释。通 - ICML基于双曲几何的潜在扩散模型用于图生成
通过建立基于双曲几何的可解释度度量的几何潜变空间,使用径向和角度几何特性约束的几何潜变过程,HypDiff 框架能有效地捕捉和保留图的拓扑信息,并在各种拓扑结构的图生成中表现出卓越的效果。
- 阿尔茨海默病相关脑功能网络的拓扑性质变化
研究使用功能性磁共振成像技术研究人类大脑活动的异常功能性特征,包括与神经退行性疾病相关的异常功能特征,进而比较带有阿尔茨海默病和正常对照组之间的功能脑网络拓扑特性差异,结果表明 AD 患者存在异常的网络整合和分离,这些发现有助于从功能脑网络 - AAAI从常规数据到图形的下采样泛化
本文提出了一种新的图形粗化机制,它是正规数据可控等间距粗化机制的图形结构对应物,在保留拓扑结构的同时有多分辨率调节的能力,并通过理论和实验证明了它在图分类任务中的优越性。
- WWW曲率图生成对抗网络
本文提出了一种在黎曼几何流形上使用的新型曲率图生成对抗网络方法 Curvature Graph Generative Adversarial Networks,通过利用连续的黎曼几何流形逼近离散数据结构以及从被包裹的正态分布中高效生成负样本 - ICMLGeomCA: 数据表示的几何评估
本文提出了一个名为 Geometric Component Analysis(GeomCA)的算法,用于评估表示空间的几何和拓扑特性。通过分析对比学习模型、生成模型和监督学习模型所得到的表示,展示了算法的适用性。
- AAAI通过拓扑分析从临床表型推断 COVID-19 生物途径
本研究提出了一种基于拓扑属性的流程来帮助医生分析 COVID-19 临床记录,可以提取有意义的路径。该流程包括三个步骤:1)预处理临床记录以提取重要概念,2)构建患者的特征空间以表征提取的概念,最后,3)利用拓扑特性提取可用知识并可视化结果 - 切片概率差异的统计和拓扑特性
本文研究了基于一维随机投影的概率度量中的切片差异,并发现了其和拓扑、统计和计算方面的关系。我们证明了切片保留了度量公理和差异的弱连续性,并且发掘了切片差异的样本复杂度不依赖于解决问题的维度。最后,我们将此理论应用于几个基本差异,并通过合成和 - HyperKG:基于双曲空间的知识图谱嵌入用于知识库补全
本文提出 HyperKG,一个使用超几何空间来更好地反映知识库的拓扑性质,从而提高知识库完成任务性能的模型,并在各种链接预测数据集中验证了该模型的有效性。
- 扩散变分自编码器
本文介绍了使用扩散变分自编码器作为潜在空间的任意流形来解决标准变分自编码器无法捕捉某些数据集拓扑性质的问题。我们证明了其可以捕捉合成数据集的拓扑性质,并在各种流形上对 MNIST 数据集进行了训练。
- 固定大小的神经网络生成函数集的拓扑性质
分析神经网络固定尺寸的函数集的拓扑特征表明,这个集合有许多不良属性,包括高度非凸性,对 $L^p$ 范数的不闭合性,对权重不具有反稳定性等等,这表明深度学习训练过程中存在潜在的收敛性,参数爆炸和学习缓慢等问题。
- 虚假新闻和真实新闻的传播方式在扩散的早期阶段就有所不同
通过追踪来自不同文化背景的社交媒体平台,比如中国的微博和日本的 Twitter 等,我们发现虚假新闻在传播的早期阶段就与真实新闻有着不同的传播特征,并且通过识别信息传播的拓扑特性,可以提前检测社交媒体中的虚假新闻。
- 持久图的置信区间
本文介绍在持久同调领域引入统计学思想,利用置信集区分拓扑信号与拓扑噪声的研究。
- 循环网络 - 非线性时间序列分析的新方法
本文介绍了一种新方法,将时间序列转化为复杂网络,从而分析复杂系统的结构特性,并发现了递归网络的拓扑属性与底层动态系统相统一的关系,这为了解时间序列的动态复杂度提供了新的定量特征。
- 分层结构与网络中遗漏链接的预测
这篇论文提出了一种从网络数据中推断出分层结构的通用技术,并证明了层次结构的存在可以同时解释和定量重现网络的许多常见的拓扑特性,同时还展示了层次结构的知识可以用于高精度地预测部分已知网络中的缺失连接,这表明分层结构是复杂网络的一个核心组织原则