亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

知識圖譜（KGs）已成為通過提供大量事實信息和捕捉項目之間的語義關系來豐富推薦系統的寶貴資源。利用知識圖譜可以顯著提高推薦性能。然而，并非知識圖譜中的所有關系對于目標推薦任務都同等相關或有益。事實上，某些項目-實體連接可能引入噪聲或缺乏信息價值，從而可能誤導我們對用戶偏好的理解。為了彌補這一研究空白，我們提出了一種新穎的知識圖譜擴散模型用于推薦，稱為DiffKG。我們的框架將生成擴散模型與數據增強范式結合起來，實現了健壯的知識圖譜表示學習。這種集成有助于更好地將知識感知的項目語義與協同關系建模對齊。此外，我們引入了一種協同知識圖譜卷積機制，它結合了反映用戶-項目交互模式的協同信號，指導知識圖譜擴散過程。我們在三個公開可用的數據集上進行了廣泛的實驗，一致地證明了我們的DiffKG與各種競爭基線相比的優越性。我們在以下鏈接提供了我們提出的DiffKG模型的源代碼倉庫：//github.com/HKUDS/DiffKG。

在大規模多模態數據集上的自監督學習，允許在聯合多模態表示空間中學習有語義的嵌入，而不依賴人工標注。這些聯合嵌入實現了零樣本的跨模態任務，如檢索和分類。然而，這些方法往往難以在域外數據上很好地泛化，因為它們忽略了特定模態嵌入中存在的語義結構。在這種背景下,我們提出一個新穎的Semantic-Structure-Preserving一致性的方法來提高普遍性modality-specific關系保存在聯合嵌入空間。為捕捉樣本之間的特定模態語義關系，本文建議學習多個錨點，并表示樣本與這些錨點之間的多方面關系。為了給每個樣本分配多個錨點，提出了一種新的多指派Sinkhorn-Knopp算法。我們的實驗表明,我們提出的方法學習語義上有意義的錨self-supervised的方式。在MSR-VTT和YouCook2數據集上的評估表明，所提出的基于多錨點分配的解決方案實現了最先進的性能，并可泛化到域內和域外數據集。代碼://github。com/Swetha5/Multi_Sinkhorn_Knopp

持續學習旨在在非平穩數據流上進行學習，而不會災難性地忘記之前的知識。流行的基于重放的方法通過在一個保存已見數據的小緩沖區上排練來解決這一挑戰，為此需要一個精細的樣本選擇策略。然而，現有的選擇方案通常只尋求當前選擇的效用最大化，而忽略了連續幾輪選擇之間的干擾。受此啟發，在一個建立在影響函數上的框架內，剖析了順序選擇步驟的相互作用。本文設法確定了一類新的二階影響，它將逐漸放大重播緩沖區中的偶然偏差，并損害選擇過程。為了正則化二階效應，提出了一個新的選擇目標，它也與兩個廣泛采用的準則有明確的聯系。此外，還提出了一種高效的實現方法來優化所提出的準則。在多個持續學習基準上的實驗表明，所提出方法比最先進的方法具有優勢。代碼可以在//github.com/ feifeiobama/InfluenceCL找到。

連續圖學習通常在各種現實應用中發揮作用，其中包含不同任務的圖數據依次出現。盡管之前的工作取得了成功，但仍然面臨著巨大的挑戰。一方面，現有的方法處理零曲率的歐氏空間，很大程度上忽略了曲率隨即將到來的圖序列而變化的事實。另一方面，文獻中的持續學習者依賴于豐富的標簽，但在實踐中對圖進行標注尤其困難，特別是對于不斷涌現的動態圖。為了解決上述的挑戰，我們提出探索一個具有挑戰性但實際的問題，自適應黎曼空間中的自監督連續圖學習。在本文中，我們提出了一種新的自監督黎曼圖持續學習者(RieGrace)。在RieGrace中，我們首先設計了一個自適應黎曼GCN (AdaRGCN)，一個與神經曲率適配器相結合的統一GCN，使黎曼空間由學習到的自適應于每個圖的曲率來塑造。然后，我們提出了一種無標簽洛倫茲蒸餾方法，該方法為圖序列創建師生AdaRGCN。學生依次從自身進行內餾，從老師進行間餾，從而鞏固知識，避免災難性的遺忘。特別地，我們提出了黎曼空間中對比蒸餾的廣義洛倫茲投影。在基準數據集上的大量實驗證明了RieGrace算法的優越性。

理解強化學習(RL)智能體的新出現行為可能是困難的，因為此類智能體通常在復雜環境中使用高度復雜的決策程序進行訓練。這導致了強化學習中各種可解釋性方法的產生，這些方法旨在協調智能體的行為和觀察者預期的行為之間可能出現的差異。最近的大多數方法都依賴于領域知識(這可能并不總是可用的)，依賴于對智能體策略的分析，或者依賴于對底層環境的特定元素的分析(通常建模為馬爾可夫決策過程(Markov Decision Process, MDP))。我們的關鍵主張是，即使底層的MDP不是完全已知的(例如，轉移概率沒有被準確地學習)或不是由智能體維護的(即，轉移概率不是由智能體維護的)。，當使用無模型方法時)，它仍然可以被利用來自動生成解釋。出于這個目的，我們建議使用正式的MDP抽象和轉換(以前在文獻中用于加速搜索最優策略)來自動生成解釋。由于這種轉換通常基于環境的符號表示，它們可以表示預期和實際智能體行為之間差距的有意義的解釋。我們正式地定義了這個問題，提出了一類可以用來解釋突發行為的變換，并提出了能夠有效地尋找解釋的方法。我們將在一組標準基準上演示該方法。

當前，大量的大規模知識圖譜（knowledge graph，KG）被提出，并應用于多種下游任務。在知識圖譜的使用過程中，有各種知識圖譜表示學習的方法（即知識圖譜嵌入，knowledge graph embedding，KGE）被提出，用于將知識圖譜中的實體和關系映射到連續的低維向量空間中。相比于傳統地用離散的三元組對知識圖譜進行表示，向量表示可以更好地被深度學習模型所使用。

然而傳統的KGE方法只能對訓練階段已經見過的實體進行預測和應用（即transductive，直推式場景），因為傳統的KGE方法是對一個固定集合的實體學習嵌入表示。所以對知識圖譜表示學習來說，可歸納式（inductive）場景更具有挑戰，即在測試階段中會出現訓練階段未見過（unseen）的新實體。如圖1所示，在Source KG上訓練好的KGE模型無法直接用于Target KG，因為Target KG中的實體在Source KG中沒有出現過。

圖1. 歸納式場景下的知識圖譜示例

近年來，已經有一些工作試圖解決知識圖譜在可歸納式場景下的問題。其中，GraIL和其后續工作，通過學習從子圖結構中預測關系的能力，從而完成可歸納的關系預測。然而這一類方法并不能有效解決在歸納場景下的其他KG外的任務，如問答系統等，因為這一類方法無法得到實體的表示。這個缺陷使得當前針對可歸納式知識圖譜的方法無法像傳統知識圖譜表示學習模型一樣，可以廣泛地用于多種下游任務。為了總體解決知識圖譜在可歸納式場景下的問題，我們希望設計一種知識圖譜表示學習模型，可以在一個集合的實體上訓練，然后泛化到另一個未見過的實體集合，并可以解決多種KG內和KG外的下游任務。

類不平衡問題作為學習節點表示的一個重要問題，越來越受到社會的關注。盡管現有研究中所考慮的不平衡源于不同類別中標記示例的數量不等(數量不平衡)，但我們認為，圖數據暴露了不平衡的唯一來源，即標記節點的不對稱拓撲屬性，即:標記節點在圖中的結構角色不平等(拓撲不平衡)。在本工作中，我們首先探討了之前未知的拓撲不平衡問題，包括其特征、原因和對半監督節點分類學習的威脅。然后通過標簽傳播算法考慮節點影響轉移現象，提供了一個統一的視角來共同分析數量不平衡和拓撲不平衡問題。根據我們的分析，我們設計了一種基于影響沖突檢測——基于度量的Totoro來測量圖拓撲不平衡的程度，并提出了一種模型無關的ReNode方法來解決拓撲不平衡問題，方法是根據標記節點相對于類邊界的相對位置對其影響進行自適應加權。系統實驗證明了該方法在緩解拓撲不平衡問題和促進半監督節點分類方面的有效性和可泛化性。進一步的分析揭示了不同的圖神經網絡對拓撲不平衡的敏感性不同，為評價圖神經網絡體系結構提供了新的視角。

//www.zhuanzhi.ai/paper/e4392c7e18418db5eab9b0f759470985

知識蒸餾(KD)的目標是將知識從一個更大的、優化的教師網絡轉移到一個更小的、可學習的學生網絡。現有的KD方法主要考慮兩種類型的知識，即個體知識和關系知識。然而，這兩類知識通常是獨立建模的，而它們之間的內在相關性在很大程度上被忽略了。充分的學生網絡學習需要將個體知識和關系知識結合起來，同時保留它們內在的相關性。在本文中，我們提出基于實例間的屬性圖來提取新的整體知識。通過圖神經網絡從相關鄰域樣本中聚合個體知識，將整體知識表示為統一的基于圖的嵌入，通過對比的方式提取整體知識來學習學生網絡。在基準數據集上進行了大量的實驗和燒蝕研究，結果證明了該方法的有效性。該代碼已在//github.com/wyc-ruiker/HKD上發布

邏輯查詢是知識圖譜問答系統中一個重要的問題子集。然而，有效地回答大型知識圖譜上的邏輯查詢仍然是一個極具挑戰性的問題。傳統的基于子圖匹配的方法存在底層知識圖譜的噪聲和不完整性等問題，線響應時間長。近年來出現了一種新的方法，其核心思想是將知識圖譜實體和查詢嵌入到一個向量空間中，使答案實體的嵌入與查詢實體的嵌入更加接近。與基于子圖匹配的方法相比，該方法能更好地處理知識圖譜中的噪聲或缺失信息，在線響應速度更快。雖然它可能很有前途，但仍然存在一些基本的限制，包括建模關系的線性轉換假設，以及無法回答具有多個可變節點的復雜查詢。在本文中，我們提出了一種基于嵌入的方法(NewLook)來解決這些限制。我們提出的方法有三個主要優點。首先(適用性)，它支持四種類型的邏輯操作，并且可以使用多個變量節點回答查詢。第二(有效性)，提出的NewLook超越了線性變換的假設，因此始終優于現有的方法。第三(效率)，與基于子圖匹配的方法相比，NewLook在回答查詢方面至少快3倍;與現有的基于嵌入的方法相比，NewLook在線響應時間和離線訓練時間相當甚至更快。

//tonghanghang.org/pdfs/kdd21_newlook.pdf

//www.zhuanzhi.ai/paper/f89bf5e9ab6b630c51edddff406566f4

推薦系統在web應用中扮演著過濾大量信息和匹配用戶興趣的基礎角色。雖然許多人致力于開發各種場景下更有效的模型，但對于推薦系統可解釋性的探索卻處于滯后狀態。解釋可以幫助改善用戶體驗和發現系統缺陷。本文在正式引入與模型可解釋性相關的要素后，通過提高表示學習過程的透明度，提出了一種新的可解釋推薦模型。具體地說，為了克服傳統模型中的表示糾纏問題，我們修改了傳統的圖卷積來區分不同層次的信息。此外，每個表示向量被分解為若干段，其中每個段與數據中的一個語義方面相關。與之前的工作不同，在我們的模型中，因子發現和表示學習同時進行，我們能夠處理額外的屬性信息和知識。通過這種方式，該模型可以學習對用戶和項的可解釋和有意義的表示。與傳統方法需要在可解釋性和有效性之間進行權衡不同，我們所提出的可解釋模型在考慮了可解釋性后，其性能沒有受到負面影響。最后，通過綜合實驗驗證了模型的性能和解釋的可信度。