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

圖神經網絡（Graph Neural Networks，GNNs）已經廣泛應用于許多城市應用中，將城市形式化為一個城市圖，其中節點是城市對象，如區域或感興趣點。最近，一些增強型GNN架構已經被開發出來，用于處理連接節點不相似的異質圖。然而，城市圖通常可以觀察到具有獨特的空間異質性特性；也就是說，不同空間距離的鄰居的不相似性可以呈現出很大的多樣性。盡管這種特性經常存在，但尚未被探索。為此，在本文中，我們提出了一種度量指標，稱為空間多樣性評分（Spatial Diversity Score），以定量衡量空間異質性，并展示它如何影響GNNs的性能。事實上，我們的實驗調查明確表明，現有的異質性GNNs在處理具有高空間多樣性評分的城市圖時仍然存在不足。這反過來可能降低它們在城市應用中的有效性。沿著這條線，我們提出了一種空間異質性感知圖神經網絡（Spatial Heterophily Aware Graph Neural Network，SHGNN），用于處理城市圖的異質性空間多樣性。基于一個關鍵觀察結果，即城市圖上的空間鄰居越接近，它們與中心節點之間的差異模式越相似，我們首先設計了一個旋轉縮放的空間聚合模塊，其核心思想是將空間上接近的鄰居適當地分組，并分別處理每個組內較少的多樣性。然后，設計了一個異質性敏感的空間交互模塊，用于自適應地捕捉不同空間組中的共性和多樣性差異。對三個真實世界的城市數據集進行的大量實驗表明，我們的SHGNN相對于其競爭對手具有顯著優勢。

圖結構學習是一個成熟的問題，旨在優化適應特定圖數據集的圖結構，以幫助消息傳遞神經網絡（即GNN）產生有效且魯棒的節點嵌入。然而，現有模型的普遍限制在于基本的封閉世界假設：測試圖與訓練圖相同。這個前提要求對每個圖數據集獨立從頭開始訓練結構學習模型，導致計算成本過高，并可能出現嚴重的過擬合風險。為了緩解這些問題，本文探索了一個新的方向，即學習一個通用的結構學習模型，可以在開放世界中推廣到各種圖數據集。我們首先介紹這個新穎問題設置的數學定義，并從概率數據生成的角度描述模型的構建。然后，我們設計了一個通用框架，協調一個圖共享的結構學習器和多個圖特定的GNN，以捕捉跨數據集的可推廣的最佳消息傳遞拓撲模式。經過良好訓練的結構學習器可以直接為未見過的目標圖生成適應性結構，而無需任何微調。在不同的數據集和各種具有挑戰性的跨圖泛化協議中，我們的實驗證明，即使在目標圖上沒有進行訓練，所提出的模型：i）顯著優于在輸入（非優化）拓撲上訓練的表達能力強大的GNN；ii）令人驚訝地與獨立優化特定目標圖的最先進模型表現相當，并且在目標圖上訓練的速度明顯加快了幾個數量級。 //arxiv.org/abs/2306.11264

學習描述觀測數據因果關系的有向無環圖(DAG)是一項非常具有挑戰性但又非常重要的任務。由于觀測數據的數量和質量有限，以及因果圖的不可識別性，幾乎不可能推斷出單個精確的DAG。一些方法通過馬爾可夫鏈蒙特卡羅(MCMC)逼近DAG的后驗分布來探索DAG空間，但DAG空間具有超指數增長的性質，準確刻畫DAG空間的整體分布是非常棘手的。本文提出了一種基于序圖的因果結構強化學習(RCL-OG)方法，該方法使用序圖代替MCMC來建模不同的DAG拓撲順序，從而減小問題的規模。RCLOG首先用一種新的獎勵機制定義強化學習，以效能的方式近似排序的后驗分布，并使用深度Q學習在節點之間更新和傳遞獎勵。其次，得到順序圖上節點的概率轉移模型，并計算不同順序的后驗概率。這樣我們就可以在這個模型上進行抽樣，得到高概率的排序。在綜合數據集和基準數據集上的實驗表明，RCL-OG提供了精確的后驗概率逼近，并取得了比Baseline因果發現算法更好的結果。

//www.zhuanzhi.ai/paper/c905693a9e8cdefab601a

預測類藥物分子如何結合到特定的蛋白質目標是藥物發現的核心問題。一種極其快速的計算綁定方法將使快速虛擬篩選或藥物工程等關鍵應用成為可能。現有方法的計算成本很高，因為它們依賴于大量的候選樣本，并結合了評分、排名和微調步驟。我們用一種SE(3)-等變幾何深度學習模型EQUIBIND挑戰這一范式，該模型可以直接預測

i)受體結合位置(盲對接)和 ii)配體結合姿勢和方向。與傳統和最近的基線相比，EquiBind實現了顯著的加速和更好的質量。此外，我們還展示了在以增加運行時間為代價將其與現有的微調技術結合使用時的額外改進。最后，我們提出了一種新穎的、快速的微調模型，該模型根據給定輸入原子點云的von Mises角距離的封閉全局極小值來調整配體旋轉鍵的扭轉角，避免了先前昂貴的能量最小化差分進化策略。

//www.zhuanzhi.ai/paper/7e1cc60c20e48a58c627b1779b77c957

【導讀】國際人工智能會議AAAI 2022論文將在全程線上舉辦，時間在 2 月 22 日-3 月 1 日，本屆大會也將是第 36 屆 AAAI 大會。大會涵蓋了眾多最近研究Tutorial報告，來自UIC, Adobe等學者共同做了關于關系數據因果推理的進展報告，非常值得關注!

因果推理的任務——從數據中推斷干預措施和反事實的效果——是大量科學和工業應用的核心。為了捕獲真實世界數據中的噪聲、異構性和復雜關系，習慣上將數據源建模為關系系統，并對它們進行概率推理。數據關系可以通過異構網絡表示，其中節點表示相互依賴的實體，如人、公司、網站和疾病，而邊緣表示這些實體之間的不同關系，如友誼、超鏈接、貢獻和疾病傳播。本教程將介紹網絡數據因果推理的最新研究成果，也稱為干擾因果推理。我們將以現實世界的應用來激發這一領域的研究，例如測量社交網絡和市場實驗的影響力。我們將討論將為獨立和同分布(IID)數據設計的現有因果推理技術應用到關系數據的挑戰、當前存在的一些解決方案以及未來研究的差距和機遇。我們將介紹現有的網絡實驗設計，以測量興趣的不同可能影響。然后，我們將集中于因果推斷從觀察數據，其表示，識別，和估計。我們將以網絡中因果發現的研究作為總結。

地址： //netcause.github.io/

與線下工作方式不同，在線學習有兩種研究模式: (1) 在線元學習(OML)[6, 20, 26]在任務依次揭示的序列設置中學習模型參數的良好先驗(或學習學習)。盡管它提供了一個次線性遺憾界限，這種技術完全忽略了公平學習的重要性，而公平學習是人類智能的一個重要標志。(2) 在線公平感知學習[1,8,21]。這種設置捕獲了許多涉及公平性的分類問題。但它的目標是在沒有任何特定任務適應性的情況下實現零概率泛化。因此，這限制了模型適應新到達數據的能力。為了克服這些問題，彌補這一差距，本文首次提出了一種新的在線元學習算法，即FFML，該算法是在不公平預防的背景下進行的。FFML的關鍵部分是學習在線公平分類模型的原始參數和對偶參數的良好先驗，它們分別與模型的準確性和公平性有關。這個問題的形式是一個雙層次的凸-凹優化。理論分析提供了損失后悔的次線性上界??(log??)，違反累積公平約束的上界??(p??log??)。我們的實驗通過將FFML應用于三個真實數據集上的分類，證明了它的通用性，并在公平性和分類準確性之間的權衡上顯示了比最好的預先工作的實質性改進。

在各種科學和工業情景中，發現一組變量之間的因果結構是一項至關重要的任務。基于聯合分布的有限i.i.d.樣本，因果發現本質上是一個具有挑戰性的組合問題。功能性因果模型的最新發展，特別是NOTEARS為因果發現提供了一個可微分的優化框架。他們將結構學習問題定義為在非周期性和稀疏性等特定結構約束下，對觀測數據(即變量重構)進行最大似然估計的任務。盡管在可擴展性方面取得了成功，但我們發現，優化這些可微分方法的目標并不總是與學習到的因果圖的正確性一致，特別是當變量在野外環境的真實數據中攜帶異構噪聲(即不同噪聲類型和噪聲方差)時。在本文中，我們證明了它們容易產生錯誤結構的原因主要是過度重構問題，即變量的噪聲被吸收到變量重構過程中，導致變量重構殘差之間的依賴性，進而根據FCM理論提出結構可識別性問題。為了彌補這一點，我們提出了一種新的可微方法DARING，通過采用對抗性的方式施加顯式剩余獨立性約束。在仿真和真實數據上的大量實驗結果表明，我們提出的方法對外部噪聲的異質性不敏感，從而可以顯著提高因果發現性能。

//pengcui.thumedialab.com/papers/DARING.pdf

平移的不變性為卷積神經網絡注入了強大的泛化特性。然而，我們通常無法預先知道數據中存在哪些不變性，或者模型在多大程度上應該對給定的對稱組保持不變。我們展示了如何通過參數化增強分布和同時優化網絡參數和增強參數的訓練損失來學習不變性和等方差。通過這個簡單的過程，我們可以在一個很大的擴充空間中，僅在訓練數據上，恢復圖像分類、回歸、分割和分子性質預測上的正確不變量集和范圍。

//arxiv.org/pdf/2010.11882.pdf