XiaoMi-AI文件搜索系统
World File Search SystemGraphs
强化学习方法将压缩环境集成到知识图中
摘要 - 在各个领域中广泛使用知识图在其中有效整合和更新信息带来了挑战。在合并上下文时，常规方法通常依赖于规则或基本的机器学习模型，这可能无法完全掌握上下文信息的复杂性和流动性。这项研究提出了一种基于强化学习（RL）的方法，特别是利用深Q网络（DQN）来增强将上下文集成到知识图中的过程。通过将知识图的状态考虑为环境将动作定义为集成上下文的操作并使用奖励功能来评估知识图质量后整合后的改进，该方法旨在自动开发最佳上下文集成的策略。我们的DQN模型将网络用作函数近似器，不断更新Q值以估计动作值函数，从而有效地集成了复杂和动态上下文信息。最初的实验发现表明，我们的RL方法在实现各种标准知识图数据集的精确上下文集成方面优于技术，突出了增强学习在增强和管理知识图方面的潜在和有效性。索引术语 - 知识图推理，强化学习，奖励成型，转移学习
用于复杂逻辑推理的生成模型在知识图上
在知识图上回答复杂的逻辑查询（kgs）是一项基本而又具有挑战性的任务。最近，查询代表是复杂逻辑推理的主流方法，使目标答案和查询在嵌入空间中更加近。但是，仍然存在两个限制。首先，先验方法将查询模型为固定向量，但忽略了KGS上关系的不确定性。实际上，不同的关系可能包含不同的语义分布。第二，传统表示框架无法捕获查询和答案的联合分布，可以通过有可能产生更连贯答案的生成模型来学习。为了减轻这些局限性，我们提出了一个名为diffclr的新型生成模型，该模型利用了差异模型的复杂逻辑推理来近似查询分布。具体来说，我们首先设计了一个查询转换，通过动态构造上下文子图将逻辑查询转换为输入序列。然后，我们将它们集成到扩散模型中以执行多步生成过程，并进一步设计了结构增强的自我专业，以范围内构成了KGS中体现的结构特征。两个基准数据集的实验结果显示了我们的模型有效地执行最新方法，尤其是在具有显着改进的多跳链查询中。
如何构建支持人工智能驱动的企业应用程序的知识图谱
一旦开发了 MVO，就需要通过基于本体填充实例数据图来测试和使用它。此任务的趋势是还尝试收集尽可能大的数据集，并根据现有关系模式和本体之间的映射执行结构化数据的批量转换。应该避免这种情况，因为该过程仍然容易出现与在前期设计上花费太多时间相同的问题。知识图谱开发项目应确保遵守“交互式”和“增量式”的敏捷实践。
量子比特上的图形：演示量子计算机上的三种图形算法
用于数据库和数据管理的量子计算是一个新兴的研究领域，近年来取得了长足的发展 [35,46]。该领域旨在满足对更复杂的优化方法的需求，这些方法至关重要，因为数据量和复杂性继续以越来越快的速度增长。该领域的主要愿景是未来数据库的优化可能部分在量子计算机上进行。之前的大部分研究集中于利用各种二次无约束二元优化公式来优化关系数据库 [4、11、15、17、25、33、34、36、37、44、45、49、53]。第二种最常见的量子计算方法是用量子机器学习来解决数据库问题 [18、19、47、51、52]。尽管关系数据库中的许多优化问题从根本上来说都是图问题（例如，连接顺序选择），但该领域中图算法的全部功能尚未得到充分研究。为了对量子计算中现有的图算法进行更系统的研究和基准测试，
定量双极论证图的贡献函数：基于原则的分析
正式论证已成为人工智能领域内的一个充满活力的研究领域。尤其是，形式论证的辩证性质被认为是共同的人机推理和决策的有前途的促进者，也是亚符号和符号AI之间的潜在桥梁[1]。在正式的论点中，参数及其关系作为指示图表示，其中节点是参数，边缘是参数关系（通常：攻击或支持）。从这些论点图中，得出了有关参数的可接受性状态或优势的推论。一种正式的论证方法正在增加研究的注意力是定量双极论证（QBA）。在QBA（通常是数值）权重（通常是数值的）权重（如此公认的初始优势）中分配给了参数，并且参数通过支持和攻击关系连接。因此，通过节点的传入边缘直接连接到节点的参数可以称为攻击者和支持者（取决于关系）。给出了定量的双极论证图（qbag），然后论证语义渗透了论证的最终强度。从直觉上讲，论点的攻击者倾向于降低其最终力量，而支持者倾向于增加它的最终力量。通常，正式论证和QBA的新生应用通常与解释性相关[2，3]，例如，在可解释的推荐系统[4]的背景下，回顾聚合[5]或机器学习模型，例如随机森林[6]或神经网络[7]。这遵循上述参数影响的直觉为了利用QBA作为解释性的促进者，至关重要的是，对一种论点对另一个论点的影响有一种严格的理解，这一点至关重要。
在机器学习春季季度，2025天/时间
教学大纲：1。图理论和网络科学背景（≈25％）A。基本定义和符号B.关键属性和概念C.网络分析基础D.应用 /激励示例2。< / div>图形模型（≈37.5％）A。图形模型的概述B.定向图形模型（贝叶斯网络）C。无向图形模型（马尔可夫随机字段）D。推理方法和不确定性E.图形模型中的学习。应用程序3。基于图的神经网络和几何深度学习（≈37.5％）A。为什么图形神经网络（GNN）？B.早期图形嵌入方法C.图形卷积网络（GCN）D. GNN体系结构的变体E.几何深度学习中的主题F.培训和实际考虑G.应用和成功故事
生成简单有向社会网络图用于信息传播
在线社交网络是日常生活中与朋友保持联系和分享信息的主要媒介。在 Twitter 上，用户可以通过关注其他用户来与他们建立联系，而其他用户也可以关注他们。近年来，研究人员研究了社交网络的几种特性，并设计了随机图模型来描述它们。这些方法中的许多要么侧重于无向图的生成，要么侧重于有向图的创建，而没有对互惠边（即两个节点之间方向相反的两个有向边）和有向边之间的依赖关系进行建模。我们提出了一种生成有向社交网络图的方法，该方法创建互惠边和有向边，并考虑各自度序列之间的相关性。我们的模型依赖于 Twitter 中抓取的有向图，在该图上交换或传播有关主题的信息。虽然这些图表现出较高的聚类系数和随机节点对之间的较小平均距离（这在现实世界的网络中很常见），但它们的度序列似乎遵循 χ 2 分布而不是幂律。为了实现高聚类系数，我们应用了一种保留节点度的边重新布线程序。我们比较了抓取的图谱和创建的图谱，并在其上模拟了某些信息传播和流行病传播算法。结果表明，创建的图谱表现出与真实世界图谱非常相似的拓扑和算法特性，这证明它们可以用作社交网络分析的替代物。此外，我们的模型具有高度可扩展性，使我们能够创建具有与相应的真实世界网络几乎相同属性的任意大小的图谱。
通过合成坐标在分子图上进行定向信息传递
通过定向消息传递利用坐标的图神经网络最近在多个分子特性预测任务中取得了最新进展。然而，它们依赖于通常不可用的原子位置信息，而获取这些信息通常非常昂贵甚至不可能。在本文中，我们提出了合成坐标，使高级 GNN 的使用无需真正的分子配置。我们提出了两种距离作为合成坐标：指定分子配置粗略范围的距离界限，以及使用个性化 PageRank 的对称变体的基于图的距离。为了利用距离和角度信息，我们提出了一种将普通图神经网络转换为定向 MPNN 的方法。我们表明，通过这种转换，我们可以在 ZINC 基准上将普通图神经网络的误差降低 55%。此外，我们通过在 SMP 和 DimeNet ++ 模型中加入合成坐标，在 ZINC 和无坐标 QM9 上取得了最新进展。我们的实现可以在线获得。1
![arxiv：2502.05610v1 [CS.CL] 2025年2月8日](/simg/g:\will\search\icon\source\f\fc3702b26977d5a4ff0e791f19ff9d50ec23897f.webp)
arxiv：2502.05610v1 [CS.CL] 2025年2月8日
蛋白质在生物过程中起着至关重要的作用，并且是活生物体的浓汤。蛋白质的准确表示至关重要，尤其是在药物开发中。最近，利用机器学习和深度学习技术的兴趣显着提高，用于无监督的蛋白质反应。然而，这些方法通常仅关注蛋白质的氨基酸序列，缺乏有关蛋白质及其相互作用的事实知识，从而限制了它们的性能。在这项研究中，我们提出了Goproteingnn，这是一种新型的结构，通过在氨基酸水平代表创建过程中整合蛋白质知识图信息来吸引蛋白质语言模型。我们的方法允许在单个氨基酸水平和整个蛋白质水平上整合信息，从而通过基于图的学习实现了全面有效的学习过程。这样做，我们可以捕获蛋白质及其功能注释之间的复杂关系和依赖性，从而产生更健壮和上下文富集的蛋白质表示。与以前的方法不同，Goproteingnn在训练过程中独特地学习了整个蛋白质知识图，这使其能够捕获更广泛的关系细微差别和依赖于以前的工作中的单元超出三胞胎。我们对几个下游任务进行了全面的评估，表明goproteingnn始终优于先前的方法，展示其有效性并确定其作为蛋白质表示学习的状态解决方案。
葡萄：学习为可伸缩图神经网络示例图
图形神经网络（GNNS）学会通过汇总邻居的信息来表示节点。随着GNNS的深度增加，它们的接受场成倍增长，导致高度记忆成本。文献中提出的几件作品旨在解决通过抽样或使用历史嵌入来解决这一缺点。这些方法主要集中在同质图上的单标签节点分类的基准上，其中相邻的节点通常共享相同的标签。但是，这些方法中的大多数都依赖于可能不会在不同的图形或任务上概括的静态启发式方法。我们认为，采样方法应具有自适应，并适应每个图的复杂结构特性。为此，我们引入了葡萄，这是一种自适应抽样方法，该方法学会识别一组对于训练GNN至关重要的节点。葡萄通过优化下游任务目标来训练第二个GNN，以预测节点采样概率。我们评估涉及同质图和异地图的各种淋巴分类基准的葡萄。我们证明了葡萄在准确性和可伸缩性中的有效性，尤其是在多标签异质图中。此外，葡萄的使用数量级比基于历史嵌入的强基线要少。与其他采样方法不同，葡萄的精度也很高，即使样本量较小，因此可以扩展到大量图。我们的实施在线公开可用。1。