随笔分类 - 图机器学习
传统图上的机器学习、图数据挖掘方法，以及图表示学习，图神经网络及其应用
摘要：
基础 傅里叶变换 傅里叶级数是对周期为T的确定性信号做展开，而傅里叶变换将周期推广到无穷，能对具有任意长度的信号做展开。 傅里叶级数和傅里叶变换是什么关系？ 如下为傅里叶变换公式： \[\hat{f}(t)={\int}f(x){\exp}^{-iwt}dx = {\int}f(x) \left(c
阅读全文
基础 傅里叶变换 傅里叶级数是对周期为T的确定性信号做展开，而傅里叶变换将周期推广到无穷，能对具有任意长度的信号做展开。 傅里叶级数和傅里叶变换是什么关系？ 如下为傅里叶变换公式： \[\hat{f}(t)={\int}f(x){\exp}^{-iwt}dx = {\int}f(x) \left(c
阅读全文
摘要：一、背景 将卷积运算推广到不规则域通常表示为邻局聚合(neighborhood aggregation)或消息传递(neighborhood aggregation)模式。 \(\mathbf{x}^{(k-1)}_i \in \mathbb{R}^{1 \times D}\)表示节点\(i\)在第
阅读全文
摘要：一、摘要 假新闻的爆炸性增长，以及对政治、经济和公共安全的破坏性影响，增加了对假新闻检测的需求。社交媒体上的假新闻并不是以文章的形式独立存在的。许多其他实体，如新闻创造者、新闻主题等，都存在于社交媒体上，并与新闻文章有关系。不同的实体和关系可以被建模为一个异构信息网络（HIN）。 在本文中，我们试图
阅读全文
摘要：一、摘要 学习复杂网络上的连续时间动态对于理解、预测和控制科学和工程中的复杂系统至关重要。然而，由于高维系统结构中的组合复杂性、它们难以捉摸的连续时间非线性动力学以及它们的结构-动力学依赖性，使得这项任务非常具有挑战。 为了解决这些挑战，我们提出将常微分方程系统（ODEs）和图神经网络（GNNs）相
阅读全文
摘要：一、摘要 图上的表示学习，也称为图嵌入，已经证明了它对一系列机器学习应用程序的重大影响，如分类、预测和推荐。 然而，现有工作在很大程度上忽略了那些可以被表示为属性图的现代应用程序中的节点以及边的属性中所包含的丰富信息，例如，那些由属性图所表示的信息。 到目前为止，大多数现有的图嵌入方法要么只关注具有
阅读全文
摘要：一、摘要 随着社交媒体的快速发展，假新闻已经成为一个重大的社会问题，它无法通过人工调查及时解决。这激发了大量关于自动假新闻检测的研究。 大多数研究探索了基于新闻记录中不同模态信息（如文本、图像和传播网络）的有监督模型来识别假新闻。然而，如果新闻记录来自不同的领域（如政治、娱乐），特别是在训练时未见过
阅读全文
摘要：一、摘要 网络嵌入的显著进步导致了最先进的推荐算法。然而，网站上的用户-物品交互（即显式偏好）的稀疏性仍然是预测用户行为的一个很大的挑战。 虽然，已经有研究利用了一些辅助信息（如用户间的社会关系）来解决这个问题，但现有的丰富的异构辅助关系仍未得到充分利用。此外，以往的工作依赖于线性组合的正则化器，并
阅读全文
摘要：一、背景 消息传递模型（Message Passing Model）基于拉普拉斯平滑假设(邻居是相似的)，试图聚合图中的邻居的信息来获取足够的依据，以实现更鲁棒的半监督节点分类。 图神经网络（Graph Neural Networks, GNN）和标签传播算法（Label Propagation,
阅读全文
摘要：记录一下，论文建模对话结构和时序动态来联合预测谣言立场和真实性及其代码复现。 1 引言 之前的研究发现，公众对谣言消息的立场是识别流行的谣言的关键信号，这也能表明它们的真实性。因此，对谣言的立场分类被视为谣言真实性预测的重要前置步骤，特别是在推特对话的背景下。 1.1 建模推特对话结构 一些先进的谣
阅读全文
摘要：Cascade-LSTM是一个用于虚假信息级联检测的树结构神经分类器，它本质上是一个谣言（假新闻）检测模型，它将谣言检测任务视为一个树分类问题。 Cascade-LSTM在递归神经网络（本文具体基于TreeLSTM，即树结构的LSTM）的基础上，引入了一个双向的TreeLSTM结构来沿着传播树结构进
阅读全文
摘要：自己讲论文做的异构图神经网络的ppt。再转变成博客有点麻烦，所以做成图片笔记。 论文链接：https://arxiv.org/abs/1903.07293
阅读全文
浙公网安备 33010602011771号