挖掘高阶数据关系:探索潜在拓扑推理的潜力

潜在拓扑推理

拓扑深度学习因其能够使用代数拓扑(特别是组合空间)工具捕获#graphs中成对结构之外的高阶交互而越来越受欢迎。

如何使用组合拓扑空间将范式从推断成对关系转变为潜在的多向关系。

在机器学习中,有几个问题需要方法能够推断和利用隐藏在数据中的高阶多向关系。 潜在拓扑推理是一种超越图的新范式,旨在发现描述数据点之间多路交互的高阶组合空间。 我们引入了可微分单元复数模块,使潜在拓扑推理成为实际的实现。 这是一种新颖的、可学习的功能,可以推断细胞的潜在复合体以改善下游任务。

这篇文章基于论文“从潜在图到潜在拓扑推理:可微分细胞复合体模块”,ICLR-2024,该论文是与 Lev Telyatnikov 的合作成果。 迈克尔·布朗斯坦。 西蒙娜·斯卡达潘. 和保罗·迪·洛伦佐。 您可以在这里找到代码。

图神经网络因其将神经网络灵活性与图建模的数据关系知识相结合的能力而在许多领域受到欢迎。 然而,GNN 通常需要固定的输入图(它们认为对于任务而言是最佳的),并且只能显式地建模成对交互。

来源和详细信息:
https://clabat9.medium.com/latent-topology-inference-0a3c04bf0fa5