PulseAugur
中
实时 12:06:50
English(EN) MABLE: Masked Autoencoding with Bi-Lipschitz Decoding for Embeddings and Graph Metric Learning

新的MABLE框架学习用于矿产勘探的图嵌入

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出了一种新颖的自监督框架MABLE，用于从大型异构图中学习嵌入，这在矿产勘探等领域特别有用。该方法采用掩码重建和固定的余弦相似性损失，以确保匹配的增强视图对齐，而不配对的嵌入保持不同。一个关键特性是双利普希茨特征解码器，它将节点嵌入的低维重建组件与特征相似性联系起来，以及一个利普希茨控制的池化机制，该机制可以稳定图级表示免受扰动的影响。 AI

影响 该框架可以通过提供连贯的、由嵌入派生的层来增强科学领域的假设生成。

排序理由 该集群包含一篇详细介绍新机器学习框架的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的MABLE框架学习用于矿产勘探的图嵌入

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Yaniv Shulman, Shaghayegh Akbarpour, Jack B. Muir ·

    MABLE: Masked Autoencoding with Bi-Lipschitz Decoding for Embeddings and Graph Metric Learning

    arXiv:2607.02990v1 Announce Type: new Abstract: We propose MABLE (Masked Autoencoding with Bi-Lipschitz Decoding for Embeddings and Graph Metric Learning), a self-supervised framework for learning node and graph embeddings from large, heterogeneous graphs, demonstrated here on ge…

相关实体

相关话题