Ollivier-Ricci Curvature-Based Method to Community Detection in Complex Networks
PulseAugur coverage of Ollivier-Ricci Curvature-Based Method to Community Detection in Complex Networks — every cluster mentioning Ollivier-Ricci Curvature-Based Method to Community Detection in Complex Networks across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新方法大幅加速图曲率分析
研究人员开发了一种新方法，可以高效地评估大规模图上的Ollivier-Ricci曲率。该方法通过推导Ollivier-Ricci曲率和平衡Forman曲率之间的显式转移模数，绕过了计算密集型的最优传输问题。新技术降低了边际评估的复杂性，显著提高了速度，并实现了可扩展、严谨的统计网络分析。
-
新的 G^2MLP 框架将图几何从 GNN 提炼到 MLP
研究人员开发了一个名为图几何感知 MLP (G^2MLP) 的新提炼框架，以提高 MLP 在使用图神经网络 (GNN) 知识进行训练时的性能。现有方法通常无法捕捉图诱导的几何结构，导致在稀疏图上出现频谱欠拟合，在密集图上出现频谱过拟合。G^2MLP 通过使用 Ollivier-Ricci 曲率来指导提炼过程，在预测级和表示级对齐之间分配监督，从而解决这些问题。这种方法在节点分类基准测试中始终优于无图提炼基线，并且可以应用于各种 GNN 架构。
-
新的RicciPool方法利用图曲率增强GCNNs
研究人员推出了一种新颖的图池化方法RicciPool，旨在提高图卷积神经网络（GCNNs）的效率。与主要关注拓扑信息的现有方法不同，RicciPool利用Ollivier-Ricci曲率重新加权边权重，从而纳入了更高阶的连通性。这种方法结合谱聚类，旨在从图中提取更有意义的簇。在生物信息学和社交网络数据集上的实验证明了RicciPool的有效性。
-
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。
-
新的几何框架分析时空基因表达网络
研究人员开发了一个新颖的几何框架，用于分析基因表达网络的时空演化。该方法使用 Gromov--Wasserstein (GW) 空间来比较不同发育阶段的网络结构，并能在它们之间进行连续插值。该方法使用 Ollivier-Ricci 曲率量化网络变化，并已在果蝇数据集上得到验证，显示出其重现经验趋势和与高阶最优传输距离一致的能力。
-
新的熵曲率方法增强图神经网络
研究人员引入了一个称为熵曲率的新概念，以解决图神经网络（GNNs）的局限性，特别是过平滑和过压缩问题。这种新方法通过使用源自熵沿 Wasserstein 测地线的位移凸性的全局、基于传输的方法来扩展现有的曲率概念。该论文提出了一种可处理的曲率代理，并证明了其在控制过平滑、约束传输-熵泛化以及证明统一过平滑和过压缩于单一曲率谱的膨胀悖论方面的效用。实际应用包括三种新机制：E-Gate 聚合器、ENT 结构编码和中点完成重连（MCR），这…
-
离散Ricci曲率提供轻量级蛋白质折叠分类方法
研究人员开发了一种利用蛋白质接触图上的离散Ricci曲率进行蛋白质折叠分类的新方法。该方法生成一个轻量级的22维特征向量，在基准数据集上的表现优于ESM-2等大型预训练蛋白质语言模型嵌入。将Ricci曲率与持久同调相结合进一步提高了性能，表明可解释的图描述符可以作为某些生物学任务中复杂语言模型的实用替代方案。
-
新方法为图曲率计算提供更紧密的下界
研究人员开发了一种新方法，用于建立 Ollivier-Ricci 曲率（ORC）的更紧密下界。ORC 是一种用于捕捉图中几何信息的方法。这种新界限在保持比计算精确 ORC 低得多的计算成本的同时，显著改进了现有近似值。该方法对 1 跳和 k 跳随机游走都有效，在各种图结构上的实验中证明了其准确性和效率。