graph embedding
PulseAugur coverage of graph embedding — every cluster mentioning graph embedding across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
Siamese GNN 以 95.9% 的准确率预测子群关系
研究人员开发了一种 Siamese 图神经网络 (Siamese GNN) 来预测有限群中的子群关系。该模型将群表示为 Cayley 图并生成嵌入，然后将这些嵌入与代数特征相结合。这种集成方法在测试集上达到了 95.9% 的准确率，证明了几何深度学习在这一计算群论问题中的应用价值。
-
Siamese GNN 以 95.9% 的准确率预测有限群的子群关系
研究人员开发了一种 Siamese 图神经网络 (Siamese GNN) 来预测有限群中的子群关系。该模型使用 Cayley 图表示群，并生成与代数特征相结合的嵌入。该方法在独立测试集上达到了 95.9% 的准确率，展示了几何深度学习在计算群论问题中的潜力。
-
新的IFGRVFL-MV模型通过模糊逻辑和图嵌入增强了RVFL网络
研究人员开发了一种名为直觉模糊图嵌入随机向量函数链接与多视图学习（IFGRVFL-MV）的新模型。该模型旨在通过更好地保留几何关系和利用多个特征视图来改进现有的随机向量函数链接（RVFL）网络。IFGRVFL-MV模型结合了用于处理不确定性的直觉模糊集、用于捕获几何结构的图嵌入以及用于互补信息的多视图学习。在UCI和KEEL存储库的基准数据集上进行的实验表明，IFGRVFL-MV在分类精度上优于现有模型，展示了其在具有不确定性和多…
-
新框架利用注意力和强化学习进行 Web 增强
研究人员推出了一种新颖的多粒度注意力驱动强化学习 Web 智能增强系统（MGAR-WIES）。该框架解决了传统机器学习和强化学习模型在处理动态和复杂 Web 数据方面的局限性。MGAR-WIES 集成了语义图建模、注意力机制和自适应强化学习，以增强个性化 Web 服务，如内容推荐和导航。
-
FORGE 框架使用图嵌入来解决优化问题
研究人员开发了 FORGE 框架，该框架利用图嵌入和向量量化来表示组合优化问题。该方法在各种混合整数规划实例上预训练模型，而无需优化求解器。预训练的嵌入可以对未见的实例进行聚类，并在微调后，提高商业求解器的性能，并在整数差距预测和搜索引导等任务上超越现有的基于学习的方法。