CiteSeerX
PulseAugur coverage of CiteSeerX — every cluster mentioning CiteSeerX across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
TRON 框架利用生物网络改进 AI 架构搜索
研究人员开发了 TRON(TRansfer Of Natural networks)框架,这是一个新颖的神经演化框架,它利用生物蛋白质-蛋白质相互作用(PPI)网络作为人工神经网络(ANNs)的架构先验。该方法旨在通过使用自然演化的生物网络结构作为构建块,而不是随机拓扑,来克服神经架构搜索(NAS)中的挑战。与现有的演化和神经演化方法相比,TRON 在多个分类和回归基准测试中展示了更优越的预测性能和更高的鲁棒性,尽管计算成本有所增加。
-
新基准 Lethe 评估图神经网络中的边缘遗忘
研究人员推出了 Lethe,这是一个旨在评估图神经网络边缘遗忘方法的新基准。目前对边缘遗忘的评估有限,通常使用节点特征掩盖图结构的数据集,并采用对删除边不敏感的准确性指标。Lethe 通过关注大型图、提供不同难度的任务以及利用链接推理攻击作为更有效的评估措施来解决这些问题。该基准包括 15 种方法和 8 个数据集,旨在为评估边缘遗忘技术提供一个更强大、可重现的框架。
-
新的分数热核在训练数据最少的情况下改进了图学习
研究人员开发了一种新颖的分数热核框架,用于半监督图学习,旨在即使在训练数据有限的情况下也能提高性能。该方法结合了非局部传播和持续的标签信息,防止了常见的过平滑问题。分数阶和扩散时间是控制标签传播和谱权重 Thus, the fractional order and diffusion time are key parameters that control label propagation and spectral weightin…
-
新方法构建多样化决策源以改进伪标签学习
研究人员开发了一种通过构建更具信息量的决策源来改进伪标签学习的方法。该方法不依赖多个相同的模型,而是修改共享图表示的内部结构以创建多样化的证据。通过选择这些构建的源的互补子集,该方法提高了伪标签的精度,从而在 Cora、CiteSeer 和 PubMed 等数据集上实现了具有竞争力的下游准确性。这项工作强调了在基于共识的伪标签学习中,构建源比简单地增加模型数量更重要。
-
新的N-GNAS框架通过优化节点级架构增强图神经网络
研究人员开发了一种新颖的节点级图神经网络架构搜索(N-GNAS)框架,旨在提高图神经网络(GNNs)的性能。与将统一操作应用于所有节点的传统方法不同,N-GNAS为不同的节点子集动态选择合适的架构,解决了过平滑等问题。该框架还包含一个对比学习损失,以增强特征分离。在八个数据集上的实验表明,N-GNAS优于现有的GNAS技术和人工设计的GNNs,例如在CiteSeer数据集上达到了78.26%的准确率。
-
LLM Features Can Harm GNN Performance on Homophilous Graphs
一篇新研究论文揭示,将大型语言模型(LLM)生成的特征整合到图神经网络(GNN)中,有时会降低在特定基准测试上的性能。这种被称为“连接干扰”的效应,在LLM特征被简单地附加到现有数据时被观察到,导致在PubMed和Cora等数据集上的准确性显著下降。研究表明,LLM特征的有效性取决于超越简单连接的因素,在中等同质性数据集上观察到了性能提升。
-
Gravity-GraphSAGE 推进了有向属性图的链接预测
研究人员推出了一种名为 Gravity-GraphSAGE (GG-SAGE) 的新方法,用于有向属性图中的链接预测。这种改进的 GraphSAGE 模型包含一个受引力启发的解码器,弥补了现有图深度学习技术主要关注无向图的不足。在基准数据集和真实世界数据集上的实验表明,GG-SAGE 的性能优于当前最先进的方法,即使在处理复杂和大规模数据时也表现出强大的能力。