New method learns Random Geometric Graphs in probabilistic metric spaces

研究人员开发了一种在概率度量空间中学习随机几何图（RGGs）的新颖方法。该技术适用于各种数据集，无论其可观测类型、分布或大小如何。该方法基于表示顶点连通性与相关性之间差异的变量的概率分布来定义距离函数，从而能够创建具有特定概率存在边的软RGGs。提出了一种用于学习边概率的拒绝采样技术，并确定期望度分布是局部的，并且依赖于可从数据中学习的互可观测相关矩阵。 AI

影响 引入了一种适用于各种数据集的新颖图学习技术，有可能增强机器学习模型在数据表示和分析方面的能力。

排序理由 该条目是一篇学术论文，详细介绍了一种新的图统计学习方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

• alphaXiv
• arXiv
• CatalyzeX Code Finder for Papers
• CORE Recommender
• DagsHub
• Gotit.pub
• Hugging Face
• Influence Flower
• Probabilistic metric space
• random geometric graph
• rejection sampling
• ScienceCast
• Soft RGG

• 论文
• 其他

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