inductive

【论文阅读】Model Stealing Attacks Against Inductive Graph Neural Networks（2021）

摘要Manyreal-worlddata（真实世界的数据）comeintheformofgraphs（以图片的形式）.Graphneuralnetworks(GNNs图神经网络),anewfamilyofmachinelearning(ML)models,havebeenproposedtofullyleveragegraphdata（充分利用图数据）tobuildpowerfulapplicat
Bosenya12·2024-08-26 12:29

关于我对归纳偏置（inductive bias）的概念和应用的详细总结

归纳偏置（inductivebias）1.归纳偏置（inductivebias）的概念2.归纳偏置（inductivebias）的应用1.归纳偏置（inductivebias）的概念归纳偏置（inductivebias）是指在机器学习算法中对模型进行偏好选择的先验假设或限制。这些偏好和限制可以通过算法设计、模型选择或数据预处理等方法来实现。归纳偏置在训练过程中引导模型更可能学习到特定类型的函数或概
小桥流水---人工智能·2023-12-22 09:12

论文笔记：详解图注意力网络（GAT）

GAT（ICLR2018GraphAttentionNetwork）论文的阅读笔记背景图注意力网络的构建模块与其他模型对比实验背景  图神经网络的任务可以分为直推式(Transductive)学习与归纳(Inductive
图学习的小张·2023-12-15 05:16

Inductive & Transductive

Inductive（归纳学习）&Transductive（传导学习）Inductive学习是从训练数据中推断出一般性规律，然后用这些规律预测新的未知数据。
小张是菜鸟·2023-12-03 12:48

Constant current source count

high-precisionACsteadycurrentpowersupplywithfastresponse,highconstantcurrentaccuracy,long-termstableoperation,andsuitableforvariousloads(resistance,inductive
Madelines·2023-10-17 12:36

[论文精读]Inductive Representation Learning on Large Graphs

论文原文：Inductiverepresentationlearningonlargegraphs|Proceedingsofthe31stInternationalConferenceonNeuralInformationProcessingSystems(acm.org)英文是纯手打的！论文原文的summarizingandparaphrasing。可能会出现难以避免的拼写错误和语法错误，若有
夏莉莉iy·2023-10-14 15:01

Inductive reactance calculator

Thisisaprofessionalcomputationalinductivereactancecalculator.TheusercaninputthefrequencyandinductancetocalculatetheACinductivereactance.Theso-calledinductance,theinteractionbetweenthecurrentandthecoil
逍遥alan·2023-10-13 16:31

Transductive和Inductive的区别

关于Transductive和Inductive维基百科上有一段简洁扼要的定义：Transductionisreasoningfromobeserved,specific(training)casestospecific
双七_·2023-10-09 09:11

Substructure‑aware subgraph reasoning for inductive relation prediction

摘要关系预测的目的是推断知识图中实体之间缺失的关系，其中归纳关系预测因其适用于新兴实体的有效性而广受欢迎。大多数现有方法学习逻辑组合规则或利用子图来预测缺失关系。尽管在性能方面已经取得了很大的进展，但目前的模型仍然不是最优的，因为它们捕获拓扑信息的能力有限，而拓扑信息对局部关系预测至关重要。为了解决这一问题，我们提出了一种新的关系预测方法——子结构感知子图推理，该方法将子图的子结构信息融入到推理过
小蜗子·2023-10-02 23:19

Inductive Relation Prediction with Logical Reasoning Using Contrastive Representations

摘要知识图(KGs)中的关系预测旨在预测不完全三元组中的缺失关系，而主流嵌入范式在测试过程中对未见实体的处理存在限制。在现实场景中，归纳设置更常见，因为训练过程中的实体是有限的。以往的方法通过隐式逻辑在组合逻辑规则中捕获归纳能力，但难以准确地获取组合逻辑规则的独立于实体的关系语义，也难以解决关系语义稀缺性导致的逻辑监督不足的问题。为此，我们提出了一种新颖的基于图卷积网络(GCN)的LogCo模型，
小蜗子·2023-10-02 13:01

编程作为inductive theory formation

例行睡前胡说八道时间。转专业学编程，如果侥幸找到了工作，可能会面对一大堆工业代码无所适从，不知道谁是谁，不知道什么东西放哪，出了bug不知道上哪找。编程语言的本质也是语言，语言就是符号的互相定义。学语言，是快速把这门语言的语法交教给你。工作中遇到事先学过的语言或语言的某个部分，可以去学，但总有一些东西以前可能没见过而且暂时没时间学。那么就需要根据语料总结语法。Debug的本质是在一大堆变量中寻找一
coke_zero·2023-09-29 02:46

论文笔记 Graph Attention Networks

2018ICLR1intro1.1.GCN的不足无法完成inductive任务inductive任务是指：训练阶段与测试阶段需要处理的graph不同。
UQI-LIUWJ·2023-08-20 08:14

论文浅尝 | 预训练Transformer用于跨领域知识图谱补全

笔记整理：汪俊杰，浙江大学硕士，研究方向为知识图谱链接：https://arxiv.org/pdf/2303.15682.pdf动机传统的直推式(tranductive)或者归纳式(inductive)
开放知识图谱·2023-07-30 10:25

《Relational inductive biases, deep learning, and graph networks》论文解读（转载）

mark一下，感谢作者分享！（后续还会补充）研究背景机器学习界有三个主要学派，符号主义（Symbolicism）、连接主义（Connectionism）、行为主义（Actionism）。符号主义的起源，注重研究知识表达和逻辑推理。经过几十年的研究，目前这一学派的主要成果，一个是贝叶斯因果网络，另一个是知识图谱。贝叶斯因果网络的旗手是JudeaPearl教授，2011年的图灵奖获得者。但是据说201
法相·2023-07-29 17:45

论文阅读《ICDE2023：Relational Message Passing for Fully Inductive Knowledge Graph Completion》

论文链接工作简介在知识图谱补全(KGC)中，预测涉及新兴实体和/或关系的三元组，这是在学习KG嵌入时看不到的，已成为一个关键挑战。带有消息传递的子图推理是一个很有前途和流行的解决方案。最近的一些方法已经取得了很好的性能，但它们(1)通常只能预测单独涉及未见过的实体的三元组，无法解决更现实的同时具有未见过的实体和未见过的关系的完全归纳情况。(2)经常在未充分利用关系模式的实体上进行消息传递。本文中，
Jiawen9·2023-07-29 00:51

论文阅读《2020ICML：Inductive Relation Prediction by Subgraph Reasoning》

论文链接论文工作简介知识图谱中关系预测的主要范式涉及实体和关系的潜在表示(即嵌入)的学习和操作。然而，这些基于嵌入的方法并没有显式地捕获知识图谱背后的组合逻辑规则，并且它们仅限于直推式设置，在直推式设置中，实体的全部集合必须在训练期间已知。本文提出了一种基于图神经网络的关系预测框架GraIL，它在局部子图结构上进行推理，并具有很强的归纳偏差来学习实体独立的关系语义。如右图，LeBron和A·Dav
Jiawen9·2023-07-26 09:51

论文阅读《AAAI2021:Topology-Aware Correlations Between Relations for Inductive Link Prediction in Knowle》

论文链接工作简介本文中，提出了一种新的归纳推理方法，即TACT，它可以有效地利用知识图中关系之间的拓扑感知相关性。具体来说，TACT从相关模式和相关系数两个方面对语义相关关系进行建模。将所有关系对分为7个类别不同的拓扑结构对应不同的关联模式。然后，将原始知识图转换为关系相关图(RelationalCorrelationgraph,RCG)，其中节点表示关系，边缘表示原始知识图中任意两个关系之间的关
Jiawen9·2023-07-26 09:46

Inductive Relation Prediction by BERT

摘要知识图中的关系预测主要是基于嵌入的方法，这些方法主要关注转换设置。不幸的是，它们不能处理存在不可见实体和关系的归纳学习，也不能利用先验知识。此外，它们的推理过程也不容易解释。在这项工作中，我们提出了一个一体化的解决方案，称为BERTRL(基于bert的关系学习)，它利用预训练的语言模型，并通过将关系实例及其可能的推理路径作为训练样本来对其进行微调。在18例中，有15例在感应和转导两种情况下BE
小蜗子·2023-06-20 06:29

GAT的基础理论

aggregate）GAT深入理解GAT的实用基础理论（编代码用）1.GAT的底层实现（pytorch）PyG中的GATConv实现2.GAT的实例引用GAT原理（理解用）引入：GCN的缺点：无法完成inductive
过动猿·2023-04-18 18:34

GCN-＞GAT

Inductive(归纳式)式的文本分类:训练过程中仅使用标注数据，测试数据在训练的时候没有见过。
zhurui_xiaozhuzaizai·2023-04-01 04:01

场景生成及编辑&3D定位论文阅读

机器学习中，很多学习算法经常会对学习的问题做一些关于目标函数的必要假设，称为归纳偏置(Inductive
Iron_lyk·2023-03-30 16:37

无Inductive Learning on Commonsense KnowledgeGraph Completion

摘要常识知识图(CKG)是一种特殊的知识图(KG)，其实体由自由形式的文本组成。现有的CKG补全方法关注于transductivelearningsetting，即在训练过程中所有实体都存在。在这里，我们提出了CKG补全的第一个inductivelearningsetting，其中不可见的实体可能在测试时出现。我们强调归纳学习设置对于CKG是至关重要的，因为CKG是动态的和高度稀疏的，因此经常引入
小蜗子·2023-01-28 07:45

dgl-03 graphsage

目录graphsage代码实现数据格式模型模型输入和输出结果graphsage对某个节点的邻居进行采样聚合，作为该节点的特征，来预测label是inductive学习，不需要学习整个graph，学习聚合方式学习公式如下
Evangelion-02·2023-01-14 09:59

GraphSAGE详解

补充知识：inductive和transductivelea
黄龙马·2023-01-09 21:39

GraphSage:Inductive Representation Learning on Large Graphs

目录简介前期知识储备论文结构学习目标论文研究背景、成果及意义研究背景模型框架研究意义论文泛读摘要论文小标题论文精读论文算法模型总览GNN结构GraphSAGE结构论文算法模型的细节细节一：模型框架细节二：无监督/有监督细节三：多种aggregator函数细节四：batch训练算法细节五：理论分析实验设置和结果分析实验设计归纳式节点点分类实验运行效率和参数分析不同aggregator函数分析论文总结
尧景·2023-01-09 21:33

GraphSAGE 图神经网络算法详解

GraphSAGE是17年的文章了，但是一直在工业界受到重视，最主要的就是它论文名字中的两个关键词：inductive和largegraph。
Python中文社区·2023-01-09 08:33

论文笔记丨Inductive Unsupervised Domain Adaptation for Few-Shot Classification via Clustering

InductiveUnsupervisedDomainAdaptationforFew-ShotClassificationviaClusteringAbstractIntroductionMethodologyDaFeCFrameworkClusteringPromotionMechanismOverallWorkflowExperimentsAbstract小样本学习致力于不同域之间的学习，由
mrweiqk·2023-01-03 09:51

TGAT：INDUCTIVE REPRESENTATION LEARNING ON TEMPORAL GRAPHS 论文笔记

INDUCTIVEREPRESENTATIONLEARNINGONTEMPORALGRAPHS摘要简介TGAT框架TimeEncoding函数时序图注意力层（TGATlayer）如果边上有不同的特征实验实验设置LossFunction摘要在时序图上进行推断式表示学习十分重要。作者提出节点embedding应该同时包括静态节点特征以及变化的拓扑特征。作者提出的TGAT模型以自注意力机制为基础并根据谐
年年年年年·2023-01-03 08:01

【无标题】graphsage--inductive representation learing on large graphs

一、简单的总结1、graphSASE针对新点甚至新图，主要训练aggregate函数2、论文最后讨论未来可能的方向：subgraphembedding，邻居采样方式，多模态图二、数据集1、citationdata：undirectedcitationgraph，6labels，302424nodes，X=nodedegree+sentenceembedding2、redditdata:undire
北风_A·2022-12-31 08:47

Ontological Concept Structure Aware KnowledgeTransfer for Inductive Knowledge Graph Embedding

传统的知识图嵌入方法主要假设推理阶段的所有实体在原始训练图中都是可用的。但在实际应用场景中，总是不可避免地出现新的实体，这就导致了严重的知识图外实体问题。关于这个问题的现有工作主要是利用额外的资源，例如实体描述，或者简单地聚集知识图内的邻居来归纳地嵌入这些新实体。然而，高质量的额外资源通常很难获得，而且新实体的现有邻居可能过于稀疏，无法为这些实体建模提供足够的信息。同时，它们可能无法整合本体概念的
小蜗子·2022-12-21 04:37

Transformer中没有CNN中的Inductive bias(归纳偏置)

在机器学习中，很多学习算法经常会对学习的问题做一些关于目标函数的必要假设，称为归纳偏置(InductiveBias)。归纳(Induction)是自然科学中常用的两大方法之一(归纳与演绎，Induction&Deduction)，指从一些例子中寻找共性、泛化，形成一个较通用的规则的过程。偏置(Bias)则是指对模型的偏好。通俗理解：归纳偏置可以理解为，从现实生活中观察到的现象中归纳出一定的规则(h
小ccccc·2022-12-20 02:30

【机器学习】浅谈 归纳偏置 (Inductive Bias)

目录一、概念二、例子三、意义一、概念在机器学习中，很多学习算法经常会对学习的问题做一些关于目标函数的必要假设，称为归纳偏置(InductiveBias)。归纳(Induction)是自然科学中常用的两大方法之一(归纳与演绎，Induction&Deduction)，指从一些例子中寻找共性、泛化，形成一个较通用的规则的过程。偏置(Bias)则是指对模型的偏好。通俗理解：归纳偏置可以理解为，从现实生活
何处闻韶·2022-12-18 11:43

【Inductive Relation Prediction】归纳关系预测相关论文总结

归纳关系预测inductiverelationprediction只记录20年开始的论文，早期的RuleN之类的论文不提归纳推理：从知识图谱中自动归纳出逻辑规则进行缺失关系预测文章目录归纳关系预测inductiverelationprediction一、InductiveRelationPredictionbySubgraphReasoning二、CommunicativeMessagePassi
dcscjfaee·2022-12-16 18:22

Inductive Relation Prediction by BERT

https://github.com/zhw12/BERTRLAAAI/2022摘要知识图中的关系预测主要是基于嵌入的方法，这些方法主要关注转导设置。不幸的是，当不可见的实体和关系存在时，它们无法处理归纳学习，也无法利用先验知识。此外，他们的推理过程不容易解释。在这项工作中，我们提出了一个一体化的解决方案，称为BERTRL(基于bert的关系学习)，它利用预先训练的语言模型，并通过将关系实例及其可
小蜗子·2022-12-16 18:17

SNRI Subgraph Neighboring Relations Infomax for Inductive Link Prediction on Knowledge Graphs

摘要知识图的归纳链接预测旨在预测不可见实体之间的缺失链接，即训练阶段未显示的实体。以前的大多数工作都学习实体特定于实体的嵌入，这不能处理看不见的实体。最近的几种方法利用封闭子图来获得归纳能力。然而，这些工作都只考虑了子图的封闭部分，没有考虑子图的完全邻近关系，导致部分邻近关系被忽略，稀疏子图难以处理。为了解决这个问题，我们提出了子图相邻关系Infomax(SNRI)，它从节点特征的相邻关系特征和稀
小蜗子·2022-12-14 07:58

ReCoLe Relation-dependent Contrastive Learning withCluster Sampling for Inductive Relation Predicti

摘要关系预测是为了补全知识图而设计的任务，旨在预测实体之间缺失的关系。近年来，基于子图的归纳关系预测模型受到越来越多的关注，该模型可以根据候选三元组周围提取的子图来预测不可见实体的关系。然而，由于它们不能预测看不见的关系，它们不是完全归纳的。此外，他们没有充分重视关系的作用，仅仅依靠模型学习参数化的关系嵌入，导致长尾关系预测不准确。本文引入关系依赖对比学习(ReCoLe)进行归纳关系预测，该方法将
小蜗子·2022-12-13 10:05

Meta-iKG Subgraph-aware Few-Shot Inductive Link Predictionvia Meta-Learning

摘要知识图的链接预测旨在预测实体之间缺失的连接。目前流行的方法仅限于一个转导的设置，很难处理看不见的实体。最近提出的基于子图的模型提供了从候选三元组周围的子图结构中预测链接的替代方法。然而，这些方法需要大量已知的三元组训练事实，并且在只有几个三元组的关系中表现不佳。在本文中，我们提出了一种新的基于子图的元学习器-Meta-iKG，用于少样本归纳关系推理。meta-ikg利用局部子图来传递子图特定的
小蜗子·2022-12-13 10:54

Bi-Link: Bridging Inductive Link Predictions from Text viaContrastive Learning of Transformers and

WWW国际万维网大会_百度百科摘要Bi-Link:通过Transformers和提示符的对比学习，从文本中连接归纳链接预测归纳知识图补全要求模型理解关系的底层语义和逻辑模式。随着预训练语言模型的发展，最近的研究设计了用于链路预测任务的transformers。然而，实证研究表明，线性化三元组会影响关系模式的学习，如反转和对称。在本文中，我们提出了Bi-Link，这是一种具有概率语法提示的对比学习框
小蜗子·2022-12-12 15:50

GraphSAGE-Inductive Representation Learning on Large Graphs

简介GraphSAGE-原文在摘要中这样介绍：welearnafunctionthatgeneratesembeddingsbysamplingandaggregatingfeaturesfromanode’slocalneighborhood.我们学习一个函数，这个函数可以从一个节点的邻居节点中进行采样和聚合特征来生成embedding。如何理解呢？简单来说，就是在当前节点中的邻居节点中，随机抽
为援不可图·2022-12-08 19:53

论文笔记：Inductive Representation Learning on Large Graphs

一个公众号的推送：https://mp.weixin.qq.com/s/9FlkgAERmIOamPtpIffQLg论文笔记：https://blog.csdn.net/imark11/article/details/78698844https://www.aminer.cn/research_report/5d1ef7d47fb2beaed572226b图计算综述类文章：https://www.
玛卡巴卡米卡巴卡·2022-12-04 14:35

GraphSAGE-pytorch-inductive

GraphSAGE-pytorch-inductive代码地址:https://github.com/Dodo-D-Caster/GraphSAGE-pytorch-inductive动机Motivation
Dodo·D·Caster·2022-12-04 14:05

graphSAGE/Inductive Representation Learning on Large Graphs

文章目录总结细节实验总结通过邻居节点，计算节点emb，可以无监督学习细节对于unseen的节点也能产出emb，主要是通过对邻居节点的学习计算节点emb的算法步骤节点emb初始化计算节点v的邻居节点emb：hN(v)k←AGGREGATEk({huk−1,∀u∈N(v)})h_{\mathcal{N}(v)}^k\leftarrow\text{AGGREGATE}_k(\{h_u^{k-1},\fo
KpLn_HJL·2022-12-04 14:05

《Inductive representation learning on large graphs》笔记

论文提出来的GraphSAGE是一个泛化的归纳(inductive)框架。Transductiv
叫什么就是什么·2022-12-04 14:34

GraphSage: Inductive representation learning on large graphs

背景HamiltonWL,YingR,LeskovecJ.Inductiverepresentationlearningonlargegraphs[C]//Proceedingsofthe31stInternationalConferenceonNeuralInformationProcessingSystems.2017:1025-1035.模型GraphSage被提出\upcite{20}，是
Starry memory·2022-12-04 14:01

Inductive Representation Learning on Large Graphs 论文/GraphSAGE学习笔记

1动机1.1过去的方法现存的方法大多是transductive的，也就是说，在训练图的时候需要将整个图都作为输入，为图上全部节点生成嵌入，每个节点在训练的过程中都是可知的。举个例子，上一次我学习了GCN模型，它的前向传播表达式为：H(l+1)=σ(D~−12A~D~−12H(l)W(l))H^{(l+1)}=σ(\widetildeD^{-\frac{1}{2}}\widetildeA\widet
Dodo·D·Caster·2022-12-04 14:00

《Relational inductive biases, deep learning, and graph networks》图网络 论文解读

研究背景机器学习界有三个主要学派，符号主义（Symbolicism）、连接主义（Connectionism）、行为主义（Actionism）。符号主义的起源，注重研究知识表达和逻辑推理。经过几十年的研究，目前这一学派的主要成果，一个是贝叶斯因果网络，另一个是知识图谱。贝叶斯因果网络的旗手是JudeaPearl教授，2011年的图灵奖获得者。但是据说2017年NIPS学术会议上，老爷子演讲时，听众寥
mishidemudong·2022-12-01 19:27

Paper Notes: Inductive Representation Learning on Large Graphs

InductiveRepresentationLearningonLargeGraphsLINK:https://arxiv.org/abs/1706.02216CLASSIFICATION:SPATAIL-BASEDGCNYEAR:Submittedon7Jun2017(v1),lastrevised10Sep2018(thisversion,v4)FROM:NIPS2017WHATPROBLE
HotChoc·2022-12-01 19:51

文献学习(part103)--Inductive Representation Learning on Large Graphs

学习笔记，仅供参考，有错必纠未完待续…文章目录InductiveRepresentationLearningonLargeGraphsAbstractIntroductionRelatedworkProposedmethod:GraphSAGEEmbeddinggeneration(i.e.,forwardpropagation)algorithmLearningtheparametersofGr
GoatGui·2022-12-01 19:20

GNN在推荐系统的应用——＞GC-MC与STAR-GCN

两个算法）前言一、GC-MC1、总体结构2、GraphEncoder部分3、GraphDecoder部分4、损失函数5、实验结果6、不足二、STAR-GCN1、总体架构（比较）2、Transductive和Inductive
正经放·2022-11-30 16:18

Re37：读论文 G2G Graph2Gauss Deep Gaussian Embedding of Graphs: Unsupervised Inductive Learning via Rank

诸神缄默不语-个人CSDN博文目录论文名称：DeepGaussianEmbeddingofGraphs:UnsupervisedInductiveLearningviaRanking论文下载地址：https://arxiv.org/abs/1707.03815数据集、源码和其他附件下载地址：https://www.kdd.in.tum.de/g2g本文是2018年ICLR论文，关注无监督induc
诸神缄默不语·2022-11-29 10:54
上一页 1 2 3 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他