论文新闻|新方法提出了与地图相关的

分类: 彩票开奖直播 发布时间: 2020-01-01 19:15
报纸
作者:萝卜兔
简介:这周的论文为大家学习,研究和对方语义图形的新途径份额警报。我们希望鼓励研究。
01
图上的数据结构,机器学习,吸引了很多人的研究,因为生活中的地图数据无处不在。然而,如何有效的一般方法地图数据所表示仍是一个问题。传统的方法的特征在于图手工提取数据表中,该方法的缺点在于,会出现的信息和专家的损失。通过连续表示图获悉表示自动学习的结构,以克服的缺点,但是该图所示的学习需要大量的训练标记,其在视图预测任务的是更难以实现的。这项研究工作是,当缺乏标签的训练时,它无法提取用于提高学习曲线级表示的观点的手写功能领域的专家。特别是,本文提出了一种多任务知识提取方法。随着网络理论为次要任务相结合,作者进行了模拟和真实数据集,一般学习任务的多任务学习的实验中,即使数据量虽小,但也取得了良好的效果。
论文链接:02
通过连续聚合GNN相邻节点其特征在于学习图所述表示是一个功能强大的学习工具。有史以来模型,但缺乏的是如何比较不同架构的理解,以及如何建立一个连贯的GNNS的许多变体。在这篇文章中,作者提出了一个分层的基于GNN聚合区,并得到各鉴别能力的理论成果,并配有代表性的功能。然后,介绍了如何架构被用于构建强大的功能GNN有条不紊。
这项工作正在申请ICLR会议在2020年,我们可以继续关注。
论文链接:03
虽然语义节点已被广泛研究了社交网络,但对于社会关系的研究,很少是语义的一面。理想的边沿语义不应该只显示两个用户相互连接,也应该解释为什么他们知道对方以及自己的份额。然而,在社交网络中,由于有限的噪声信号和多模态的用户生成的上下文标签真实关系通常是困难的描绘。在这项工作中,该制品开发了一种统一的框架,在噪声和不完整的数据的存在,通过集成的多模态的信号时,用户关系可以被描述为一个侧语义社交网络。该框架是非常灵活,可用于半监督或无监督的学习。具体地,如果每个多个用户之间的关系被连接到下面的电势分布和多模式的变化自动编码我们学习它们。使用图卷积编码数据的网络,任何重构信号是通过多个网络进行解码。
论文链接:04
图神经网络的创举为半监督分类节点的主要问题具有少量高维标记和信号。随着网络图的发展,这样的配置已经成为一个重要的基准研究机构。有趣的是,最近的几项研究已经表明,在这些特定的设置,图1的神经网络的性能也好不了多少比预定的低通滤波器和线性分类器。然而,在高维空间的数据,简单和少量高度正规化接近最优的学习读书的时候也就不足为奇了。通过实验表明,小,多下训练数据,网络的更复杂的看法显著优于简单的结构,网络结构图神经礼物的正确选择一些见解的特性。最后,我们的设计和新的图形研究的神经网络的概述,用不同的足够的基础(包括低维信号)的重要性。
论文链接:05
图卷积神经网络(GDN)已被广泛用于在不同的图学习任务。虽然这些技术获得不俗的成绩,但他们在与底层图结构的解释相关的不确定性方面往往不足。在贝叶斯GCNN(BGCN)最近提出的框架中,地图被视为样品参数随机图形模型和关节推理关于图GCN权重来解决这个问题。本文提出了一种模型生成图节点基于拷贝,并集成到框架BGCN。该方法使用培训标识与用拓扑推断提供的特征节点信息。
论文链接:欢迎到我们更多的干物质含量公众微信号码(geetest_jy)。添加TECHNIC


关闭
对联
关闭
对联