图学习相关论文快讯

希望论文快讯能够帮助大家快速了解学术前沿,从一些新鲜的想法中获得启发,做更多具有创造性的工作。

01

在图卷积网络中,假设图G是针对某些观察噪声产生的。论文尝试添加随机扰动 ΔG并改进泛化。基于量子信息几何,可以对ΔG的尺度进行定量测量。论文尽可能在最小的预算下最大化置换,同时基于扰动的G+ΔG最小化损失。论文提出的模型在合理的计算开销下,改进了半监督节点分类图卷积网络。

论文链接:

https://arxiv.org/abs/1903.04154

02

几何深度学习为医学领域中的成像和非成像模态的整合提供了原则性和通用性方式。特别是图卷积神经网络(GCN)已经通过利用大型多模态数据集在疾病预测,分割和矩阵完成等各种问题上进行了探索。在本文中介绍了一种新的谱域结构,用于疾病预测。其新颖性在于定义几何“初始模块”,它们能够在卷积过程中捕获图内和图间的结构异构性。


论文链接:

https://arxiv.org/abs/1903.04233

03

本文提出了一种用于GCN的梯度归因分析方法——NAM(节点归因方法),可以获得目标节点及其邻居节点对GCN输出的贡献。我们还提出了基于贡献值的节点重要性可视化(NIV)方法,来可视化GCN的目标节点及其邻居节点。该文使用扰动分析方法来验证基于引文网络数据集的NAM的影响。实验结果表明,NAM可以很好地了解每个节点对节点分类预测的贡献。

论文链接:

https://arxiv.org/abs/1903.03768

04

在本文中,展示了如何使用简单的架构设计GNN来解决图着色的基本组合问题。论文中展示的模型在随机实例训练时达到了高精度,能够归纳出与训练时不同的图形分布。此外,论文还展示了顶点嵌入如何在多维空间中聚类以产生建设性的解决方案,即使我们的模型仅被训练为二元分类器。

论文链接:

https://arxiv.org/abs/1903.04598

05

该论文介绍了LEAP,一种可训练的通用框架,用于根据图的局部结构,拓扑和标签预测边的存在和属性。LEAP框架基于连接图中节点的路径的探索和机器学习聚合。我们提供了几种通过训练路径聚合器来执行聚合阶段的方法,并且通过将其应用于社交网络中的链接和用户评级的预测来证明框架的灵活性和通用性。 本文在两个问题上验证了LEAP框架:链接预测和用户评级预测。

论文链接:

https://arxiv.org/abs/1903.04613

极验
极验

极验是全球顶尖的交互安全技术服务商,于2012年在武汉成立。全球首创 “行为式验证技术” ,利用生物特征与人工智能技术解决交互安全问题,为企业抵御恶意攻击防止资产损失提供一站式解决方案。

理论图卷积神经网络深度学习
4
相关数据
深度学习技术

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

聚类技术

将物理或抽象对象的集合分成由类似的对象组成的多个类的过程被称为聚类。由聚类所生成的簇是一组数据对象的集合,这些对象与同一个簇中的对象彼此相似,与其他簇中的对象相异。“物以类聚,人以群分”,在自然科学和社会科学中,存在着大量的分类问题。聚类分析又称群分析,它是研究(样品或指标)分类问题的一种统计分析方法。聚类分析起源于分类学,但是聚类不等于分类。聚类与分类的不同在于,聚类所要求划分的类是未知的。聚类分析内容非常丰富,有系统聚类法、有序样品聚类法、动态聚类法、模糊聚类法、图论聚类法、聚类预报法等。

图卷积神经网络技术

图卷积神经网络(Graph Convolutional Network)是一种能对图数据进行深度学习的方法。GCN的三个主要特征:它是卷积神经网络在 graph domain 上的自然推广;它能同时对节点特征信息与结构信息进行端对端学习;适用于任意拓扑结构的节点与图;

推荐文章
暂无评论
暂无评论~