图神经网络（GNN）广泛用于图表学习。尽管普遍存在，但GNN在图形分类任务中遭受了两个缺点，忽视了图级关系和概括问题。每个图在GNN消息传递/图池中分别处理，并在每个单独的图表上操作过度拟合的现有方法。这使得图表在下游分类中学到的有效性降低了。在本文中，我们为图形分类任务提出了一个班级感知表示的改进（CARE）框架。 CARE计算简单但功能强大的类表示，并注入它们，以将图表的学习转向更好的类别可分离性。 Care是一个高度灵活的插件框架，能够在不显着增加计算成本的情况下合并任意GNN骨架。从理论上讲，我们还证明，通过VAPNIK-CHERVONENKIS（VC）维度分析，CARE具有比其GNN主链更好的概括上限。我们在9个基准数据集上使用10个著名的GNN骨架进行的广泛实验验证了护理的优势和有效性，而不是其GNN对应物。
translated by 谷歌翻译
观察生存数据的因果结构提供了关于协变量和事件时间之间关系的重要信息。我们从信息理论源编码参数中获得动机，并且如果采用合适的源编码器，则显示结合所指示的非循环图（DAG）的知识可以是有益的。作为在此上下文中的可能的源编码器中，我们推导出基于变分推理的条件变分性Autiachiater用于因果结构化生存预测，我们将其称为Dagsurv。我们说明了Dagsurv在低和高维合成数据集中的性能，以及诸如元数据集等现实数据集，如元数据集。我们证明，该方法优于其他生存分析基线，如Cox比例危害，Deepsurv和Deephit，这对数据实体之间的潜在因果关系感到遗憾。
translated by 谷歌翻译
超过三十年，研究人员已经开发和分析了潜伏树诱导的方法作为无监督句法解析的方法。尽管如此，与其监督的对应物相比，现代系统仍然不足以使其具有任何实际用途作为文本的结构注释。在这项工作中，我们提出了一种技术，该技术以跨度约束（即短语包围）的形式使用远端监督，以提高在无监督选项解析中的性能。使用相对少量的跨度约束，我们可以大大提高Diora的输出，这是一个已经竞争的无监督解析系统。与完整的解析树注释相比，可以通过最小的努力来获取跨度约束，例如使用从维基百科派生的词典，以查找确切的文本匹配。我们的实验显示了基于实体的跨度约束，提高了英语WSJ Penn TreeBank的选区分析超过5 F1。此外，我们的方法延伸到跨度约束易于实现的任何域，以及作为一个案例研究，我们通过从工艺数据集解析生物医学文本来证明其有效性。
translated by 谷歌翻译