Hypergraph learning for identification of COVID-19 with CT imaging
PulseAugur coverage of Hypergraph learning for identification of COVID-19 with CT imaging — every cluster mentioning Hypergraph learning for identification of COVID-19 with CT imaging across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
研究质疑更高阶模型为何优于基线模型
一篇新的研究论文质疑了这样一个普遍假设：像超图神经网络这样的更高阶模型之所以优于低阶基线模型，仅仅是因为它们能够处理更高阶信息。该研究引入了一个框架，在保持成对数据不变的情况下扰动更高阶信息，结果显示，即使没有这些更高阶数据，更高阶模型通常也能保留其相当一部分性能优势。研究表明，对低阶模型的简单改进，如改进的成对加权和归一化，可以解释观察到的性能差距的大部分原因，并敦促超图学习界重新评估性能归因，并采用更稳健的基线模型。
-
发布新的可解释超图学习框架
研究人员开发了一种新的可解释框架，用于在称为超图神经加性网络（HGNAN）的超图结构化数据上进行学习。该模型将经典神经加性模型扩展到高阶关系数据，将逐特征的非线性分解与超图感知结构聚合相结合。HGNAN旨在为节点级和超边级任务提供透明的预测，在性能上可与最先进的超图学习方法相媲美，同时提供内在的可解释性。
-
新基准TAHB整合文本属性超图用于AI研究
研究人员推出了TAHB，这是首个旨在将文本属性超图结构与原始文本数据相结合的公开基准。该基准包含10个跨越电子商务、学术、电影和政治网络的真实世界数据集。使用TAHB进行的实验表明，整合LLM增强的文本语义可以提高超图学习性能，其中结构信息和文本信息的组合方法在基于LLM的预测方面取得了最佳结果。