Locality-aware subgraphs for inductive link prediction in knowledgegraphs

已于 2024-06-23 20:57:32 修改
阅读量67 收藏
点赞数
分类专栏： 知识图谱的文本动态补全 文章标签： 深度学习 机器学习
于 2023-10-12 11:42:29 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_44466434/article/details/133783580
版权

Subgraph extraction

子图提取包括两个步骤:首先，根据节点与代表目标实体的给定种子集的接近程度对节点进行评分。其次，按照节点得分的降序来考虑节点，以创建嵌套的局部聚类，然后使用goodness metric.良度度量对其进行评估。

 

PPR，又称random-walk-with-restart，是衡量节点重要性最常用的评分方法之一[43-45]。我们使用近似PPR来克服PPR计算成本高的问题[43]。如算法1所示，我们根据种子集 = {u, v}对图G的顶点进行排序。近似参数β保持两个向量:解向量p和残差向量r，其中p向量是PPR向量的近似值，向量r包含近似误差。隐形传态概率α控制着我们从种子集的邻域吸收的信息量。也就是说，当α值接近1时，随机游走更频繁地传送到

了解本专栏 订阅专栏 解锁全文 超级会员免费看
【2011-2016】 NIPS汇总 - Advances in Neural Information Processing Systems
Testing的博客
10-02 1万+
Advances in Neural Information Processing Systems 24 (NIPS 2011) The papers below appear in Advances in Neural Information Processing Systems 24 edited by J. Shawe-Taylor and R.S. Zemel and P.L.
Locality-aware subgraphs for inductive link prediction in knowledge graphs
Zjkorigin的博客
06-05 606
最近的知识图（KG）归纳推理方法将链接预测问题转化为图分类任务。他们首先根据目标实体的 k 跳邻域提取每个目标链接周围的子图，使用图神经网络 (GNN) 对子图进行编码，然后学习将子图结构模式映射到链接存在的函数。尽管这些方法取得了巨大的成功，但增加 k 通常会导致邻域呈指数扩张，从而因过度平滑而降低 GNN 的表达能力。在本文中，我们将过程，旨在基于个性化 PageRank (PPR) 方法对目标链接周围紧密相关的子图进行采样。
【论文阅读】Zeus: Locality-aware Distributed Transactions
steppad
06-05 1942
Zeus将事务需要修改的数据集中到单个节点，通过将分布式事务转变成单机事务来提高在具有高度访问局部性负载下系统的性能。与此同时，Zeus具有副本间强一致、支持非确定性事务、便于应用移植的特点。......
Locality-Aware NMS 局部感知NMS(LNMS)学习
qq_38409301的博客
05-24 1649
地址：https://zhuanlan.zhihu.com/p/50126479
Locality-constrained Linear Coding for Image Classification（阅读）
深藏功与名
10-07 3461
通熟易懂的图片，来自余凯。 经过前面的BoW、BoF、SPM、ScSPM的学习，终于可以大概把CNN网络的结构稍微理解一下了： VQ啊，SC啊相当于CNN中的coding部分，SPM相当于pooling部分。     BoW＋SPM的图 下面是CNN等效对比图： 然后接下来就是Spare Coding取代，它能很好模拟人大脑的信号处理过程，也求解问题能够用LASSO解决。
IEEE TRO综述论文：抓取合成领域的深度学习方法
weixin_44887311的博客
11-06 679
这篇工作将主要介绍了深度学习在六自由度抓取合成上的常见方法、深度学习在抓取过程中的支持方法以及数据集设计方法。近期就职于澳大利亚克莱顿市莫纳什大学的Rhys Newbury在TRANSACTIONS ON ROBOTICS期刊杂志上发表的 ”Deep Learning Approaches to Grasp Synthesis: A Review” 综述论文总结了近十年六自由度抓取合成的各类方法，其中最为常用的方法：基于采样的方法、直接回归方法、强化学习方法和范例方法。
深度学习-神经网络基础-网络搭建-损失函数-网络优化-正则化方法
m0_60916732的博客
11-10 825
init方法中定义网络中的层结构，主要是全连接层，并进行初始化,定义层forward方法，在实例化模型的时候，底层会自动调用该函数。该函数中可以定义学习率，为初始化定义的layer传入数据等。将各层连接定义继承自nn.Module的模型类在init方法中定义网络中的层结构在forward方法中定义数据传输方式前向传播：指的是数据输入的神经网络中，逐层向前传输，一直到运算到输出层为止。反向传播（利用损失函数 ERROR，从后往前，结合梯度下降算法，依次求各个参数的偏导，并进行参数更新。
Transformer-GRU、Transformer、CNN-GRU、GRU、CNN五模型多变量回归预测
最新发布
关注并私信文章链接，获取对应文章源码和数据，机器学习之心的博客。
11-10 242
Transformer-GRU、Transformer、CNN-GRU、GRU、CNN五模型多变量回归预测
如何解决RNN在处理深层序列数据时遇到的如梯度消失、长期以来等问题
m0_73640344的博客
11-06 536
这些技术各自以不同的方式解决了RNN在处理深层序列数据时遇到的关键问题，如梯度消失和长期依赖。选择哪种技术取决于特定任务的需求，包括模型的复杂性、训练时间和性能要求。通过适当选择和配置这些改进的RNN架构，可以显著提高序列数据处理任务的效果和效率。
深度学习面试八股汇总
11-09 303
面试资料收集者之深度学习面试八股汇总
LLMs之LoLCATs：《LoLCATs: On Low-Rank Linearizing of Large Language Models》翻译与解读
近期请国内外头部出版社可尽快私信博主！——心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，谦虚，自律，反思，成长，还算是比较正能量的博主，公益免费传播……内心特别想在AI界做出一些可以推进历史进程影响力的东西(兴趣使然，有点小情怀，也有点使命感呀)…
11-07 1135
​ LLMs之LoLCATs：《LoLCATs: On Low-Rank Linearizing of Large Language Models》翻译与解读 目录 《LoLCATs: On Low-Rank Linearizing of Large Language Models》翻译与解读 Abstract 1 Introduction Conclusion Limitations and Future Work局限性和未来工作 《Lo
深度学习——前向传播与反向传播、神经网络（前馈神经网络与反馈神经网络）、常见算法概要汇总
11-09 947
面试资料收集者之深度学习——前向传播与反向传播、神经网络（前馈神经网络与反馈神经网络）、常见算法概要汇总
一文快速预览经典深度学习模型（一）——CNN、RNN、LSTM、Transformer、ViT
ttrr27的博客
11-05 1062
Hi，大家好，我是半亩花海。本文主要简要并通俗地介绍了几种经典的深度学习模型，如CNN、RNN、LSTM、Transformer、ViT（Vision Transformer）等，便于大家初探深度学习的相关知识，并更好地理解深度学习的基础内容，为后续科研开展建立一定的基础，欢迎大家一起交流学习。
深度学习之卷积问题
weixin_43775295的博客
11-09 572
​ 卷积层中需要用到卷积核（滤波器或特征检测器）与图像特征矩阵进行点乘运算，利用卷积核与对应的特征感受域进行划窗式运算时，需要设定卷积核对应的大小、步长、个数以及填充的方式，如表3所示。​ 常见的卷积主要是由连续紧密的卷积核对输入的图像特征进行滑窗式点乘求和操作，除此之外还有其他类型的卷积核在不同的任务中会用到，具体分类如表5.5所示。​ 在卷积神经网络中，卷积常用来提取图像的特征，但不同层次的卷积操作提取到的特征类型是不相同的，特征类型粗分如表1所示。| 边缘检测（突出边缘差异） |
基于 GADF+Swin-CNN-GAM 的高创新轴承故障诊断模型
11-05 1111
基于格拉姆矩阵GADF+Swin Transformer窗口注意力和CNN-GAM全局注意力的轴承故障诊断模型!
AttriPrompter：基于属性语义的自动提示，用于通过视觉-语言预训练模型实现零样本细胞核检测|文献速递-基于深度学习的病灶分割与数据超分辨率
weixin_38594676的博客
11-06 524
此外，我们提出了一个自训练的知识蒸馏框架，GLIP作为教师模型，利用其初始预测作为伪标签，以应对高密度细胞核检测带来的挑战，包括漏检、误检和实例重叠问题。我们的方法在无标注的细胞核检测中表现出色，优于所有现有的无监督方法，并展现出良好的通用性。目前，大规模视觉-语言预训练模型（VLPMs）通过从大量网络来源的文本-图像对中学习对齐的文本和图像特征，获得了语义丰富、多功能且可迁移的视觉特征，从而催生了新的无监督学习方法。带有“*”标记的方法基于医学图像，而带有“**”标记的方法专门基于 H&E 图像。
深度学习经典模型之VGGNet
weixin_43775295的博客
11-08 286
​ VGGNet是由牛津大学视觉几何小组（Visual Geometry Group, VGG）提出的一种深层卷积网络结构，他们以7.32%的错误率赢得了2014年ILSVRC分类任务的亚军（冠军由GoogLeNet以6.65%的错误率夺得）和25.32%的错误率夺得定位任务（Localization）的第一名（GoogLeNet错误率为26.44%）5^{[5]}5，网络名称VGGNet取自该小组名缩写。VGGNet是首批把图像分类的错误率降低到10%以内模型，同时该网络所采用的3×3。
深度学习在图像识别中的应用
qq_36287830的博客
11-10 673
深度学习是一种基于多层神经网络的机器学习方法，能够自动提取数据的高层次特征，实现对复杂问题的建模和预测。深度学习的核心任务包括图像识别、语音识别、自然语言处理和推荐系统等。
深度学习工程实践：PyTorch Lightning与Ignite框架的技术特性对比分析
deephub
11-10 4215
在深度学习框架的选择上，PyTorch Lightning和Ignite代表了两种不同的技术路线。本文将从技术实现的角度，深入分析这两个框架在实际应用中的差异，为开发者提供客观的技术参考。
深度学习：Transformer 详解
m0_73640344的博客
11-06 445
对于Transformer模型的详细解释，可以更深入地探讨其各个组成部分、工作原理、以及在自然语言处理任务中的应用方法。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

小蜗子

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值