实体对齐是知识图融合中的至关重要任务。但是，大多数实体对准方法都有可伸缩性问题。最近的方法通过将大型公斤分成小块来解决这个问题，以嵌入和对齐学习。但是，这种分区和学习过程导致结构和对齐过度损失过多。因此，在这项工作中，我们提出了一种可扩展的基于GNN的实体对准方法，以从三个角度降低结构和对齐损失。首先，我们提出一种基于中心性的子图生成算法，以回顾一些具有不同子图之间桥梁的地标实体。其次，我们介绍了自我监督的实体重建，以从不完整的邻里子图中恢复实体表示形式，并设计了跨纸笔负面抽样，以在对齐学习中纳入其他子图中的实体。第三，在推理过程中，我们合并子图的嵌入，以制作一个单个空间进行对齐搜索。基准开放数据集和提议的大型DBPEDIA1M数据集的实验结果验证了我们方法的有效性。
translated by 谷歌翻译
通道修剪被广泛用于降低深网模型的复杂性。最近的修剪方法通常通过提出通道重要性标准来识别网络的哪些部分。但是，最近的研究表明，这些标准在所有情况下都不能很好地工作。在本文中，我们提出了一种新颖的功能最小化方法（FSM）方法来压缩CNN模型，该模型通过收敛功能和过滤器的信息来评估特征转移。具体而言，我们首先使用不同层深度的一些普遍方法研究压缩效率，然后提出特征转移概念。然后，我们引入了一种近似方法来估计特征移位的幅度，因为很难直接计算它。此外，我们提出了一种分布优化算法，以补偿准确性损失并提高网络压缩效率。该方法在各种基准网络和数据集上产生最先进的性能，并通过广泛的实验验证。这些代码可以在\ url {https://github.com/lscgx/fsm}上可用。
translated by 谷歌翻译
实体对齐是将知识图（KGS）与多个源集成的重要步骤。以前的实体对齐尝试已经探索了不同的kg结构，例如基于邻域和基于路径的上下文，以学习实体嵌入物，但它们受到捕获多上下文特征的限制。此外，大多数方法直接利用嵌入相似性以确定实体对齐，而不考虑实体和关系之间的全局互动。在这项工作中，我们提出了一个明智的多上下文实体对齐（IMEA）模型来解决这些问题。特别是，我们引入变压器以灵活地捕获关系，路径和邻域背景，并根据嵌入相似度和关系/实体功能设计整体推理以估计对齐概率。从整体推理获得的对准证据通过所提出的软标签编辑进一步注入变压器，以通知嵌入学习。与现有的最先进的实体对准方法相比，若干基准数据集上的实验结果证明了IMEA模型的优越性。
translated by 谷歌翻译
神经网络修剪具有显着性能，可以降低深网络模型的复杂性。最近的网络修剪方法通常集中在网络中删除不重要或冗余过滤器。在本文中，通过探索特征图之间的相似性，我们提出了一种新颖的滤波器修剪方法，中央滤波器（CF），这表明在适当的调整之后滤波器大致等于一组其他滤波器。我们的方法基于发现特征贴图之间的平均相似性的发现，而不管输入图像的数量如何，都会很少变化。基于此发现，我们在特征映射上建立相似性图，并计算每个节点的近密中心以选择中央滤波器。此外，我们设计一种方法，可以在与中央滤波器对应的下一层中直接调整权重，有效地最小化由修剪引起的误差。通过对各种基准网络和数据集的实验，CF产生最先进的性能。例如，对于Reset-56，CF通过去除47.1％的参数来减少约39.7％的絮凝物，甚至在CiFar-10上的精度改善0.33％。通过Googlenet，CF通过去除55.6％的参数来减少大约63.2％的拖鞋，仅在CIFAR-10上的前1个精度下降0.35％的损失。通过resnet-50，CF通过去除36.9％的参数减少约47.9％的拖鞋，仅在Imagenet上的前1个精度下降1.07％。该代码可以在https://github.com/8ubpshlr23/centrter上获得。
translated by 谷歌翻译
关于重大抑郁障碍（MDD）的增加，许多研究人员关注他们的认可和治疗。现有的MDD识别算法始终使用单个时频域方法方法，但单个时频域方法太简单，不利于模拟大脑功能之间的复杂链路关系。为了解决这个问题，本文提出了一种基于多层脑功能连通网络（MBFCN）的识别方法，用于重大抑郁症，并进行认知分析。基于所提出的MBFCN的认知分析发现，alpha-beta1频带是用于识别MDD的关键子带。右前瓣叶和极度抑制紊乱（EDD）的颞叶之间的连接在基于相位滞后指数（PLI）的脑功能连接网络（BFCN）中缺乏。此外，可以找到通过抑郁特征和PHQ-9的重要性分析的潜在生物标志物。
translated by 谷歌翻译
语义关系预测旨在挖掘异质图中对象之间的隐式关系，这些关系由不同类型的对象和不同类型的链接组成。在现实世界中，新的语义关系不断出现，它们通常仅带有几个标记的数据。由于多种异构图中存在各种语义关系，因此可以从某些现有的语义关系中开采可转移的知识，以帮助预测新的语义关系，几乎没有标记的数据。这激发了一个新的问题，即跨异构图的几乎没有语义关系预测。但是，现有方法无法解决此问题，因为它们不仅需要大量的标记样本作为输入，而且还集中在具有固定异质性的单个图上。针对这个新颖而充满挑战的问题，在本文中，我们提出了一个基于元学习的图形神经网络，用于语义关系预测，名为Metags。首先，metags将对象之间的图形结构分解为多个归一化子图，然后采用两视图形神经网络来捕获这些子图的本地异质信息和全局结构信息。其次，Metags通过超出型网络汇总了这些子图的信息，该网络可以从现有的语义关系中学习并适应新的语义关系。第三，使用良好的初始化的两视图形神经网络和超出型网络，Metags可以有效地从不同的图形中学习新的语义关系，同时克服少数标记数据的限制。在三个现实世界数据集上进行的广泛实验表明，元数据的性能优于最先进的方法。
translated by 谷歌翻译
动态图是指结构随时间变化的图形。尽管学习顶点表示（即嵌入）对动态图的好处，但现有作品仅将动态图视为顶点连接中的一系列变化，忽略了这种动态的至关重要的异步性，在其中每个局部结构的演变都在每个局部结构开始在每个局部结构的演变开始，不同的时间和持续时间在各个持续时间内。为了在图中维持异步结构演变，我们将动态图作为与角度（TOV）和边缘（toe）的时间板相关的时间边缘序列进行创新。然后，提出了一个时间感知的变压器将顶点的动态连接和脚趾嵌入到学习的顶点表示中。同时，我们将每个边缘序列视为一个整体，并嵌入第一个顶点的TOV，以进一步编码时间敏感的信息。在几个数据集上进行了广泛的评估表明，我们的方法在广泛的图形挖掘任务中优于最先进的方法。同时，它非常有效且可扩展，可用于嵌入大规模的动态图。
translated by 谷歌翻译
索引是支持大型数据库中有效查询处理的有效方法。最近，已积极探索了替代或补充传统索引结构的学习指数的概念，以降低存储和搜索成本。但是，在高维度空间中准确有效的相似性查询处理仍然是一个开放的挑战。在本文中，我们提出了一种称为LIMS的新型索引方法，该方法使用数据群集，基于枢轴的数据转换技术和学习的索引来支持度量空间中的有效相似性查询处理。在LIM中，将基础数据分配到簇中，使每个群集都遵循相对均匀的数据分布。数据重新分布是通过利用每个集群的少量枢轴来实现的。类似的数据被映射到紧凑的区域，而映射的值是完全顺序的。开发机器学习模型是为了近似于磁盘上每个数据记录的位置。有效的算法设计用于基于LIMS的处理范围查询和最近的邻居查询，以及具有动态更新的索引维护。与传统索引和最先进的学习索引相比，对现实世界和合成数据集的广泛实验证明了LIM的优势。
translated by 谷歌翻译
多任务高斯流程（MTGP）是一种众所周知的非参数贝叶斯模型，用于通过跨任务传输知识来有效地学习相关任务。但是当前的MTGP通常仅限于在同一输入域中定义的多任务场景，没有留出空间来解决异质案例，即输入域的特征在任务上有所不同。为此，本文提出了一个新型的异质随机变化线性模型（\ texttt {hsvlmc}）模型，用于同时学习具有不同输入域的任务。特别是，我们通过贝叶斯校准开发了随机变化框架，该框架（i）考虑了域映射提高的尺寸降低的影响，以实现有效的输入对准； （ii）采用残差建模策略来利用先前域映射带来的电感偏差来获得更好的模型推断。最后，对现有LMC模型的优势在各种异质的多任务案例和实用的多保真蒸汽轮机排气问题上进行了广泛的验证。
translated by 谷歌翻译
顺序推荐是推荐系统的广泛流行的主题。现有的作品有助于提高基于各种方法的顺序推荐系统的预测能力，例如经常性网络和自我关注机制。然而，他们未能发现和区分项目之间的各种关系，这可能是激励用户行为的潜在因素。在本文中，我们提出了一个边缘增强的全面解散图神经网络（EGD-GNN）模型，以捕获全局项目表示和本地用户意图学习项目之间的关系信息。在全球级别，我们通过所有序列构建全局链接图来模拟项目关系。然后，频道感知的解缠绕学习层被设计成将边缘信息分解为不同的信道，这可以聚合以将目标项从其邻居表示。在本地层面，我们应用一个变化的自动编码器框架来学习用户在当前序列上的意图。我们在三个现实世界数据集中评估我们提出的方法。实验结果表明，我们的模型可以通过最先进的基线获得至关重要的改进，能够区分项目特征。
translated by 谷歌翻译