Graph Machine Learning
PulseAugur coverage of Graph Machine Learning — every cluster mentioning Graph Machine Learning across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
论文探讨图和机器学习的Ollivier-Ricci曲率
本论文基于Yann Ollivier的工作和最优传输理论，探讨了度量空间的Ollivier-Ricci曲率。论文详细介绍了该曲率与黎曼流形中经典Ricci曲率的联系的主要结果，包括Bonnet-Myers和Lévy-Gromov等定理的推广。研究还涵盖了Lin-Lu-Yau将Ollivier-Ricci曲率推广到图上的工作，以及Jost-Liu的组合界限，最后通过对有向图的新证明及其在网络科学和图机器学习中的应用进行了总结。
-
提出用于电力系统保护和运营的AI框架 · 跟踪2个来源
两篇最新的arXiv论文提出了将机器学习应用于电力系统保护和运营的标准化框架。第一篇论文介绍了一个七维框架，以确保电力系统保护中机器学习评估的可比性和可审计性，并展示了其在PROTECT-90基准上的应用。第二篇论文调查了近800项关于电力系统图机器学习的研究，强调了其在应对运营复杂性方面的潜力，并指出了标准化基准稀缺以及在安全关键应用中对可解释模型的需求等挑战。
-
新方法改进了复杂网络的距离保持嵌入
研究人员开发了一种新的方法，用于在inhomogeneous随机图（一种具有类型相关边概率的复杂网络）中创建距离保持嵌入。该方法使用基于地标的嵌入来保持最短路径长度，与之前的最坏情况界限相比，提供了更紧凑的维度-失真权衡。通过使用GNN增强的变体，该方法得到了进一步的改进，该变体使用神经网络代理进行精确的最短路径查询，并展示了对真实世界网络的稳健泛化能力。
-
Aitchison几何驱动新的成分图嵌入和风味标记器校准
两篇新的arXiv论文引入了使用Aitchison几何的表示学习新方法。一篇论文提出了一种通过将高能物理中的风味标记器校准构建为概率单纯形上的最优传输问题来校准风味标记器的框架。另一篇论文提出了一个成分图嵌入框架，该框架利用Aitchison几何为节点分类和链接预测等图机器学习任务创建可解释的嵌入。