最近,深度学习方法已经改善了高维数据集的异常检测;然而,现有的方法没有明确地学习变量之间现有关系的结构,或者使用它们来预测时间序列的预期行为。我们的方法将结构学习方法与图神经网络相结合,另外使用注意力权重为检测到的异常提供可解释性。在两个真实传感器数据集上进行的实验表明,我们的方法比baseline方法能够更准确...
回顾了异常检测(Anomaly Detection)、多元时间序列数据模型 (models for multivariate time series data)、图神经网络(Graph neural network)的研究相关工作,并指出其不足。 2.1 异常检测(Anomaly Detection) 目的是检测出偏离大部分数据的异常样本,经典方法包括基于密度的研究方法、基于线性模型的研究方法、基于距离的研究...
文献2——scGraph:一种基于图神经网络的自动识别细胞类型的方法 scGraph: a graph neural network-based approach toautomatically identify cell types https://doi.org/10.1093/bioinformatics/btac199 Abstract Motivation:单细胞技术在过去十年的生物学研究革命中发挥着至关重要的作用,这从单细胞水平的角度加强了我们...
我们将首先回顾基于GCN的AutoEncoder,然后总结这一类别中的其他变体。目前基于GCN的自编码器的方法主要有:Graph Autoencoder (GAE)和Adversarially Regularized Graph Autoencoder (ARGA)图自编码器的其它变体有:Network Representations with Adversarially Regularized Autoencoders (NetRA)Deep Neural Networks for Graph Re...
现有的基于频谱的图卷积网络模型有以下这些:Spectral CNN、Chebyshev Spectral CNN (ChebNet)、Adaptive Graph Convolution Network (AGCN)基于频谱的图卷积神经网络方法的一个常见缺点是,它们需要将整个图加载到内存中以执行图卷积,这在处理大型图时是不高效的。1.2 Spatial-based Graph Convolutional Networks模拟传统卷积...
Heterogeneous Graph Neural Network for Personalized Session-Based Recommendation with User-Sessio... 用户会话约束的个性化会话推荐异构图神经网络 该推荐系统为用户提供了一个适当限制的最近在线大量信息。最近,在这些会话中包含用户信息的研究正在取得进展。然而,很难生成包含用户生成的会话表示的高质量用户表示。在...
3. Graph Neural Network 4. Graph Kernels 因式分解法 Learning Graph Representation via Frequent Subgraphs (SDM 2018) Dang Nguyen, Wei Luo, Tu Dinh Nguyen, Svetha Venkatesh, Dinh Phung Paper:https://epubs.siam.org/doi/10.1137/1.9781611975321.35 ...
值得一提的是,同年的ICLR上,还有一篇关于Graph Attention的论文 Attention-based Graph Neural Network for Semi-supervised Learning 文章的主要思想是根据当前节点和邻居节点Embedding的cosine相似度作为Attention的加权因子,做了详细的实验和分析。 5.PointConv来自论文 PointNet: Deep Learning on Point Sets for 3D Clas...
A Novel Embedding Model for Knowledge Base Completion Based on Convolutional Neural Network Dai Quoc Nguyen, Tu Dinh Nguyen, Dat Quoc Nguyen, Dinh Phung NAACL 2018 Iteratively Learning Embeddings and Rules for Knowledge Graph Reasoning Wen Zhang, Bibek Paudel, Liang Wang, Jiaoyan Chen, Hai Zhu, ...
To address this problem, we propose a graph neural network-based bearing fault detection (GNNBFD) method. The method first constructs a graph using the similarity between samples; secondly the constructed graph is fed into a graph neural network (GNN) for feature mapping, and the samples output...