Xunkai Li
PulseAugur coverage of Xunkai Li — every cluster mentioning Xunkai Li across labs, papers, and developer communities, ranked by signal.
-
新的S2-DiGCL框架推动有向图对比学习发展
研究人员推出S2-DiGCL，一个旨在增强有向图对比学习的新框架。与之前主要关注无向图的方法不同，S2-DiGCL整合了对现实世界网络至关重要的方向信息。该框架采用双空间视角，利用磁拉普拉斯扰动进行自适应边调制，并采用基于路径的子图增强策略来捕捉不对称性。在七个真实世界数据集上的实验表明，S2-DiGCL在节点分类和链接预测方面取得了最先进的性能。
-
新 GraphMNL 框架解决多模态图学习不平衡问题
研究人员推出 GraphMNL，一个新颖的多模态图负学习框架，旨在解决属性化图中语义不平衡的问题。该方法使用负学习来指导跨越不同语义分支（如文本和图像）的学习，而不是强迫模仿主导分支。GraphMNL 通过可靠性仲裁识别主导和次要分支，并应用保持目标的负学习来抑制不太可能的类别。实验表明，GraphMNL 在 Grocery 数据集上取得了 72.47% 的准确率，在 Reddit M 数据集上取得了 76.60 的 F1 分数，均达到顶级性能。
-
新的图压缩方法提高了 GNN 的效率和可扩展性
两篇新的研究论文提出了图压缩和粗化的新方法，旨在提高图神经网络（GNN）的效率和可扩展性。第一篇论文 SP-ESGC 引入了一种解耦方法，将节点表示生成与合成图创建分开，展示了显著的计算效率和跨 GNN 架构的广泛泛化能力。第二篇论文 STPGC 利用代数拓扑学的概念开发了在减小图尺寸的同时保留图拓扑的算法，证明了其在加速节点分类等任务的 GNN 训练方面的有效性。
-
DOGMA框架将生物结构融入单细胞转录组AI
研究人员推出DOGMA，一个新颖的数据中心AI框架，用于单细胞转录组分析。该框架整合了多层次的生物先验知识，超越了纯粹的数据驱动启发式方法。DOGMA通过整合与Cell Ontology和系统发育结构的统计对齐来构建具有生物学基础的细胞图谱，并使用Gene Ontology增强特征级别的语义。该系统在零样本细胞类型评估和跨复杂多物种基准测试中的样本效率方面表现出鲁棒性，同时需要更少的GPU内存和推理时间。