|7 Papers| 华为诺亚车道线检测方法;网络表示学习综述( 三 )


然而 , 绝大多数真实网络节点都有丰富的属性信息 , 如社交网络中的用户资料和引文网络中的文本内容 。 网络的属性信息对网络表示具有重要的作用 , 当网络高度稀疏时 , 网络的属性信息是网络表示重要的辅助信息 , 有助于更好地学习网络表示 。 传统的邻接矩阵仅仅表示了边的信息 , 而无法加入节点的属性信息 。 网络表示不仅要保存网络的结构信息 , 还要保存网络的属性信息 。 此外 , 大多数真实世界网络都是动态变化的 , 这种变化包括网络节点的增加和减少 , 以及网络边的新建和消失 。 同时 , 与网络结构变化相似 , 网络中的属性也会随着时间的推移发生变化 。
随着机器学习技术的发展 , 针对网络表示学习问题的研究成果层出不穷 , 文中将针对近年来的网络表示学习方法进行系统性的介绍和总结 。
|7 Papers| 华为诺亚车道线检测方法;网络表示学习综述
本文插图

DRNE 的框架 。
|7 Papers| 华为诺亚车道线检测方法;网络表示学习综述
本文插图

DANE 框架图解 。
|7 Papers| 华为诺亚车道线检测方法;网络表示学习综述
本文插图

DynGem 动态图嵌入模型 。
推荐:本文在《计算机科学》(Computer Science)杂志上发表 。
论文 7:Multi-Similarity Loss with General Pair Weighting for Deep Metric Learning
作者:Xun Wang、Xintong Han、Weiling Huang 等
论文链接:https://arxiv.org/pdf/1904.06627.pdf
摘要:度量学习旨在学习一个嵌入空间 , 在这个空间中 , 相似样本的嵌入向量被拉近 , 不同样本的嵌入向量被推远 。
在这篇论文中 , 来自码隆科技的研究者提出利用多相似度损失(Multi Similarity Loss)实现这一目标 , 并在公共基准数据集上得到了验证 。
|7 Papers| 华为诺亚车道线检测方法;网络表示学习综述
本文插图

多相似度损失的目标 。
|7 Papers| 华为诺亚车道线检测方法;网络表示学习综述
本文插图

不同方法在 Cars-196 数据集上的结果比较 。
|7 Papers| 华为诺亚车道线检测方法;网络表示学习综述
本文插图

嵌入大小(embedding size)对多相似度损失的影响 。
推荐:该方法充分考虑了 batch 中整体距离分布的对比损失函数 。
ArXiv Weekly Radiostation
机器之心联合由楚航、罗若天发起的ArXiv Weekly Radiostation , 在 7 Papers 的基础上 , 精选本周更多重要论文 , 包括NLP、CV、ML领域各10篇精选 , 并提供音频形式的论文摘要简介 , 详情如下:
本周 10 篇 NLP 精选论文是:
1. Generation-Augmented Retrieval for Open-domain Question Answering. (from Jianfeng Gao, Jiawei Han)
2. Hierarchical GPT with Congruent Transformers for Multi-Sentence Language Models. (from Soo-Young Lee)
3. Lifelong Learning Dialogue Systems: Chatbots that Self-Learn On the Job. (from Bing Liu)
4. SSMBA: Self-Supervised Manifold Based Data Augmentation for Improving Out-of-Domain Robustness. (from Kyunghyun Cho)
5. Unsupervised Parallel Corpus Mining on Web Data. (from Yiming Yang)
6. Language Generation with Multi-Hop Reasoning on Commonsense Knowledge Graph. (from Minlie Huang)
7. Generating Commonsense Explanation by Extracting Bridge Concepts from Reasoning Paths. (from Minlie Huang)


推荐阅读