图神经网络(GNNs)广泛应用于分析图结构数据。大多数GNN方法对图结构的质量非常敏感，通常需要一个完美的图结构来学习信息嵌入。然而，图中噪声的普遍性需要学习鲁棒表示以解决真实世界问题。为了提高GNN模型的鲁棒性，许多研究围绕图结构学习(Graph Structure Learning, GSL)这一中心概念提出，旨在共同学习优化的图结构及其表示。
2021-03-08 09:14:31
529KB
1
深度半监督学习是一个快速发展的领域，具有一系列的实际应用。本文从模型设计和无监督损失函数的角度对深度半监督学习方法的基本原理和最新进展进行了全面的综述。
2021-03-06 20:09:53
2.41MB
1
图机器学习在学术界和工业界都得到了广泛的研究。然而，随着图学习文献的大量涌现，涌现出大量的方法和技术，对于不同的图相关任务，人工设计最优的机器学习算法变得越来越困难。为了解决这一关键挑战，图上的自动机器学习(AutoML)结合了图机器学习和自动学习的优点，正受到学术界的关注。
2021-03-06 09:10:20
383KB
1
过去几年,卷积神经网络因其强大的建模能力引起广泛关注,在自然语言处理、图像识别等领域成功应用。然而,传统的卷积神经网络只能处理欧氏空间数据,而现实生活中的许多场景,如交通网络、社交网络、引用网络等,都是以图数据的形式存在。
2021-03-03 16:34:42
3MB
1
知识图谱的概念由谷歌于2012年提出,随后逐渐成为人工智能领域的一个研究热点,已在信息搜索、自动问答、决策分析等应用中发挥作用。
2021-03-01 13:06:35
2.6MB
1
在监督模式下训练的深度模型在各种任务上都取得了显著的成功。在标记样本有限的情况下，自监督学习(self-supervised learning, SSL)成为利用大量未标记样本的新范式。
2021-03-01 09:12:46
1.47MB
1
动态神经网络是深度学习领域的一个新兴研究课题。与静态模型在推理阶段具有固定的计算图和参数相比，动态网络可以根据不同的输入调整其结构或参数，在精度、计算效率和适应性等方面具有显著优势。
2021-02-22 10:09:39
1.41MB
1
很长一段时间以来，计算机架构和系统被优化，以使机器学习(ML)算法或模型的有效执行。现在，是时候重新考虑ML和系统之间的关系，并让ML改变计算机架构和系统的设计方式。这包含着双重意义:提高设计师的工作效率，完成良性循环。
2021-02-18 22:07:40
475KB
1