一篇新发表在arXiv上的论文对机器学习、网络科学和算法学中的十三个无监督双曲图嵌入器进行了基准测试。该研究评估了这些方法在各种合成和经验网络上的链接预测和拓扑重建能力。结果表明，基于最大似然和表示学习的方法（包括混合变体）通常表现最佳，但没有一种方法在所有场景下都表现出色。该研究为根据网络特性和任务需求选择合适的方法提供了指导。 AI
影响 为机器学习应用中选择双曲图嵌入方法提供了实用指导。
排序理由 该条目是一篇发表在arXiv上的研究论文，详细介绍了算法的基准研究。[lever_c_demoted from research: ic=1 ai=1.0]
- algorithmics
- alphaXiv
- arXiv
- CatalyzeX Code Finder for Papers
- Connected Papers
- CORE Recommender
- DagsHub
- Gotit.pub
- Hugging Face
- Hyperbolic Graph Embedders
- IArxiv Recommender
- Influence Flower
- Link prediction
- Litmaps
- machine learning
- Network science (Cambridge University Press)
- ScienceCast
- scite Smart Citations
- Topology Reconstruction of Dynamical Networks via Constrained Lyapunov Equations
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
