- Wasserstein ellentétes szabályosságú gráf automatikus kódolója(arXiv)
Szerző: Huidong Liang, Junbin Gao
Absztrakt :Ez a cikk bemutatja a Wasserstein Adversarially Regularised Graph Autoencoder (WARGA) egy implicit generatív algoritmust, amely a Wasserstein-metrikán keresztül közvetlenül szabályozza a csomópont-beágyazás látens eloszlását a céleloszláshoz. A javasolt módszer validálásra került a valós világ gráfokon történő kapcsolat-előrejelzési és csomópont-klaszterezési feladatokban, amelyekben a WARGA általában felülmúlja a Kullback-Leibler (KL) divergencián és a tipikus ellenséges keretrendszeren alapuló legmodernebb modelleket.
2.Változatos gráf automatikus kódoló a manipulációs műveletek felismeréséhez és előrejelzéséhez(arXiv)
Szerző:Gamze Akyol, Sanem Sariel, Eren Erdal Aksoy
Absztrakt :A több évtizedes kutatás ellenére az emberi manipulációs tevékenységek megértése mindig is az egyik legvonzóbb és legnagyobb kihívást jelentő kutatási téma a számítógépes látás és robotika területén. A megfigyelt emberi manipulációs akciók felismerése és előrejelzése az olyan alkalmazásokban gyökerezik, amelyek például az ember-robot interakcióhoz és a demonstrációból való robot tanuláshoz kapcsolódnak. A jelenlegi kutatási irányzat erősen támaszkodik a fejlett konvolúciós neurális hálózatokra a strukturált euklideszi adatok, például az RGB kameraképek feldolgozásához. Ezek a hálózatok azonban óriási számítási összetettséggel rendelkeznek, hogy képesek legyenek nagy dimenziójú nyers adatok feldolgozására. A kapcsolódó munkáktól eltérően itt bemutatunk egy mélygráf autoencodert, amellyel közösen tanulhatjuk meg a szimbolikus jelenetgráfokból a manipulációs feladatok felismerését és előrejelzését, ahelyett, hogy a strukturált euklideszi adatokra hagyatkoznánk. Hálózatunk variációs autoencoder struktúrával rendelkezik, amely két ágból áll: az egyik a bemeneti gráf típusának azonosítására, a másik a jövőbeli gráfok előrejelzésére. A javasolt hálózat bemenete szemantikai gráfok halmaza, amely a jelenetben lévő alanyok és objektumok közötti térbeli kapcsolatokat tárolja. A hálózati kimenet egy címkekészlet, amely az észlelt és előre jelzett osztálytípusokat képviseli. Összehasonlítjuk új modellünket a különböző korszerű módszerekkel két különböző adathalmazon, a MANIAC-on és az MSRC-9-en, és megmutatjuk, hogy a javasolt modellünk jobb teljesítményt érhet el. Kiadjuk forráskódunkat is: https://github.com/gamzeakyol/GENet
3.Induktív mátrix kiegészítés Graph Autoencoder használatával(arXiv)
Szerző:Wei Shen, Chuheng Zhang, Yun Tian, Liang Zeng, Xiaonan He, Wanchun Dou, Xiaolong Xu
Absztrakt:A közelmúltban a gráf neurális hálózata (GNN) nagy teljesítményt mutatott a mátrixkiegészítésben azáltal, hogy egy értékelési mátrixot kétoldalú gráfként fogalmazott meg, majd megjósolta a kapcsolatot a megfelelő felhasználó és az elem csomópontjai között. A GNN-alapú mátrixkiegészítési módszerek többsége a Graph Autoencoder-en (GAE) alapul, amely a one-hot indexet tekinti bemenetnek, leképez egy felhasználói (vagy elem) indexet egy tanulható beágyazásra, GNN-t alkalmaz a csomópont-specifikus megtanulásához. ezeken a tanulható beágyazásokon alapuló reprezentációk, végül pedig összesíti a célfelhasználók reprezentációit és a megfelelő elemcsomópontokat a hiányzó hivatkozások előrejelzésére. A betanításhoz szükséges csomóponti tartalom (azaz mellékinformáció) nélkül azonban a felhasználó (vagy elem) specifikus reprezentáció nem tanulható meg induktív beállításban, vagyis a felhasználók (vagy elemek) egy csoportjára betanított modell nem tud alkalmazkodni az újhoz. felhasználók (vagy elemek). Ebből a célból egy GAE-t (IMC-GAE) használó induktív mátrixkiegészítési módszert javasolunk, amely a GAE-t használja a személyre szabott ajánláshoz a felhasználó-specifikus (vagy elem-specifikus) reprezentáció, valamint az induktív mátrixkiegészítés helyi gráfmintáinak megtanulására. Pontosabban, két informatív csomópont-funkciót tervezünk, és rétegenkénti csomópontkimaradási sémát alkalmazunk a GAE-ben, hogy megtanuljuk a helyi gráfmintákat, amelyek nem látható adatokra általánosíthatók. Dolgozatunk fő hozzájárulása a lokális gráfminták hatékony megtanulásának képessége a GAE-ben, jó skálázhatósággal és kiváló kifejezőképességgel a korábbi GNN-alapú mátrixkiegészítő módszerekhez képest. Ezen túlmenően kiterjedt kísérletek bizonyítják, hogy modellünk a legkorszerűbb teljesítményt éri el számos mátrixkitöltési benchmarkon. Hivatalos kódunk nyilvánosan elérhető
