实体
Graph Representation Learning
Graph Representation Learning
PulseAugur coverage of Graph Representation Learning — every cluster mentioning Graph Representation Learning across labs, papers, and developer communities, ranked by signal.
总计 · 30天
1
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 3
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
综述详细介绍了动态异构图表示学习的方法
本综述全面概述了动态异构图（DHGs）表示学习的方法。它提出了DHGs的统一定义，并将现有方法分为基于嵌入、基于图神经网络（GNN）和基于Transformer的模型。该论文还总结了应用、数据集和基准测试，并概述了该新兴领域的未来研究方向。
-
机器人从过去的团队合作中学习以提高城市救援成功率 · arXiv 研究
一篇新的研究论文探讨了机器人如何通过利用过去协作的事件记忆来改善城市搜救（USAR）场景中的团队合作。通过将历史协作模式表示为知识图谱并采用图表示学习，机器人可以识别和重用有效的策略。这种方法在 MATRX USAR 环境中进行了测试，在 20 名参与者中，救援成功率从 25.7% 提高到 41.3%，任务完成时间平均缩短了 283 秒。
-
新的AugMP策略针对大语言模型的联邦微调
研究人员开发了一种名为增强模型操纵（AugMP）的新策略，用于攻击大语言模型（LLMs）的联邦微调（FFT）。该方法利用图表示学习识别合法LLM更新中的相关性，然后指导创建恶意更新。一种迭代算法优化这些恶意更新，以嵌入对抗性目标，同时使其看起来与良性更新相似，从而难以检测。实验表明，AugMP可以显著降低全局LLM准确性和本地代理性能，同时规避标准防御机制。