HLSAD: Hodge Laplacian-based Simplicial Anomaly Detection
RWTH Aachen University（亚琛工业大学）
提出HLSAD方法，利用单纯复形Hodge Laplacian的谱特性建模高阶多路交互，有效检测时变单纯复形中的异常，在精度和计算效率上优于传统图方法。
2025-05-30 cs.LG cs.SI
Kernel estimation of the instantaneous frequency
我们考虑核估计的瞬时频率的缓慢发展的正弦曲线在白噪声中。预期的估计误差由两项组成。系统偏置误差随着核半宽度的增加而增加，而随机误差随着核半宽度的增加而减小。对于非调制信号$g(t)$，使预期误差最小化的内核半宽按比例缩放为$h \sim \left[{ σ^2 \over N| \partial_t^2 g^{}|^2 } \right]^{1/ 5}$，其中% $A^{(\ell)}$是频率上的相干信号，$f_{\ell}$，$σ^2$是噪声方差，$N$是单位时间内的测量次数。我们表明，估计的瞬时频率对应于估计的调制信号，$A(t)\exp(iϕ(t))$的一阶导数。对于瞬时频率估计，使期望误差最小化的半宽度较大：$h_{1,3} \sim \left[{ σ^2 \over A^2N| \partial_t^3 (e^{i \tildeϕ(t)} )|^2 } \right]^{1/ 7}$。由于最佳半宽度取决于未知函数的导数，我们在估计实际信号之前首先估计这些导数。
2018-03-12 eess.AS eess.SP math.ST
T-SNN: Temporal Simplicial Neural Network for EEG Decoding
University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
提出T-SNN，将EEG表示为演变单纯复形序列，联合学习高阶交互与时间演变，在SEED-VII情绪识别任务上优于多种基线，并支持多模态解码。
2026-09-29 cs.LG q-bio.NC
A Temporal Graphlet Kernel for Classifying Dissemination in Evolving Networks
University of Bonn（波恩大学）；University of Vienna（维也纳大学）
我们介绍了\emph{temporal graphlet kernel}分类的时间图中的传播过程。这种传播过程可以是在动态网络中传播（假）新闻、传染病或计算机病毒。网络被建模为标记的时间图，其中边存在于特定的时间点，节点标签随时间变化。分类问题要求区分不同起源或参数的传播过程，例如，不同传染概率的传染病我们的新内核在时间小图的特征空间中表示标记的时间图，即，小的子图，通过它们的结构、时间相关的节点标签和边的时间顺序来区分。我们引入我们的内核的基础上类的graphlet是有效可数的变种。对于时间楔的情况下，我们提出了一个高效的近似内核与预期的低误差。我们表明，我们的内核比最先进的方法计算速度更快，精度更高。
2022-09-12 cs.LG cs.SI
daVinci-kernel: Co-Evolving Skill Selection, Summarization, and Utilization via RL for GPU Kernel Optimization
University of Science and Technology of China（中国科学技术大学）
提出daVinci-kernel框架，通过强化学习联合训练技能选择、策略生成和技能总结三个智能体，共享LLM骨干，实现GPU内核优化，在KernelBench上超越先前最优模型。
2026-07-28 cs.AI cs.CL cs.LG
KernelZero: Co-Evolving Proposer and Coder for Continuously Improved GPU Kernel Generation
提出KernelZero协同进化框架，通过生成器与编码器交替优化及CA-GRPO策略，在保证正确性后优化性能，显著提升GPU内核生成效率，超越多个基线模型。
2026-09-29 cs.LG cs.SE
GraphKKE: Graph Kernel Koopman Embedding for Human Microbiome Analysis
Freie Universität Berlin（柏林自由大学）；University of Surrey（萨里大学）；Technische Universität Berlin（柏林工业大学）；Zuse Institute Berlin（柏林祖泽研究所）
已经发现越来越多的疾病与微生物组构成的紊乱密切相关，例如，肥胖、糖尿病或某些癌症类型。由于现代高通量组学技术，可以直接分析人体微生物组及其对健康状况的影响。长期监测微生物群落，并探索其成员之间的关联。这些关系可以用一个时间演变图来描述。为了了解微生物群落成员对不同范围的扰动（如抗生素暴露或疾病）和一般动力学特性的反应，必须分析人类微生物群落的时间演变图。由于微生物和亚稳态动力学之间的数十种复杂相互作用，这变得特别具有挑战性。解决这个问题的关键是将时间演化图表示为保持原始动态的固定长度特征向量。提出了一种基于迁移算子和图核的谱分析的时间演化图嵌入学习方法。我们证明了我们的方法可以在创建的合成数据和真实数据上捕获时间演化图中的临时变化。我们的实验证明了该方法的有效性。此外，我们表明，我们的方法可以应用于人体微生物组数据来研究动态过程。
2020-11-19 cs.LG q-bio.GN q-bio.QM
Learning graphs and simplicial complexes from data
Rey Juan Carlos University（胡安·卡洛斯国王大学）
针对图拓扑估计多仅考虑成对节点交互的问题，提出结合结构化图Volterra核的图自回归Volterra框架，通过带组范数与掩码矩阵的凸优化同时推断图与二阶单纯复形，实验性能优于现有方法。
2023-12-16 cs.LG eess.SP
KONG: Kernels for ordered-neighborhood graphs
Noah’s Ark Lab Paris, Huawei Technologies Ltd（华为技术有限公司诺亚方舟实验室巴黎分部）；London School of Economics（伦敦政治经济学院）
我们提出了新的图形内核的节点和边缘标签，有秩序的邻居，即当邻居节点遵循一个顺序的图形。具有有序邻域的图是演化图的自然数据表示，其中边随着时间的推移而创建，这导致了有序。结合卷积子图核和字符串核，我们设计了新的可扩展算法，用于使用草图技术生成显式图形特征映射。我们得到精确的边界的近似精度和计算复杂性的建议的方法，并证明其适用于真实的数据集。特别是，我们的实验表明，邻域排序的结果在更多的信息功能。对于一般图的特殊情况，即没有有序邻域的图，新的图核产生了有效和简单的算法，用于比较图之间的标签分布。
2018-05-29 cs.LG stat.ML
Evolving-Graph Gaussian Processes
Aalto University（阿尔托大学）
图高斯过程（GGP）为图结构域提供了一种数据高效的解决方案。现有的方法主要集中在静态结构上，而许多真实的图数据表示动态结构，限制了GGP的应用。为了克服这一点，我们提出了进化图高斯过程（e-GGP）。所提出的方法是能够学习随着时间的推移与邻域核模型的顶点之间的连接性和相互作用的变化图顶点的转移函数。我们评估我们的方法在时间序列回归问题上的性能，其中图形随时间推移而演变。我们证明了静态图高斯过程方法的e-GGP的好处。
2021-11-03 cs.LG stat.ML stat.OT
Beyond Scaling: Self-Evolving LLM Agents for Hardware Kernel Optimization via an Experience-Driven Workflow and Experience Graph Memory
City University of Hong Kong（香港城市大学）；Huawei Technologies Ltd.（华为技术有限公司）
本文提出KOPE框架，通过经验图记忆与主动上下文管理实现硬件内核优化自演进LLM智能体，在相同模型设置下其加速比、通过率等关键指标显著优于现有基线方法。
2026-08-27 cs.LG cs.MA
Entropic Dynamic Time Warping Kernels for Co-evolving Financial Time Series Analysis
Central University of Finance and Economics（中央财经大学）；Hefei University（合肥大学）；Xiamen University（厦门大学）；University of York（约克大学）
在这项工作中，我们开发了一个新的框架来衡量动态金融网络之间的相似性，即，时变金融网络特别是，我们探讨是否建议的相似性度量可以用来了解金融网络随时间的结构演化。对于一组时变金融网络，其中每个顶点表示不同股票的单个时间序列，并且一对时间序列之间的每个边表示其Pearson相关性的绝对值，我们的出发点是计算与网络结构的加权邻接矩阵相关联的通勤时间矩阵，其中矩阵的每个元素可以被视为成对股票之间的增强的相关值。对于每个网络，我们展示了通勤时间矩阵如何使我们能够识别一组可靠的显性相关时间序列以及属于该组的股票的相关显性概率分布。此外，我们将每个原始网络表示为从主导概率分布计算的离散主导香农熵时间序列。在经典动态时间规整框架的基础上，利用每对金融网络的主导熵时间序列，提出了一种用于分析金融时变网络的相似性度量方法。我们表明，建议的相似性度量是正定的，从而对应于图上的核测度。提出的内核之间的桥梁图内核和经典的动态时间弯曲框架多金融时间序列分析的差距。在纽约证券交易所（NYSE）数据库中提取的时变网络上的实验证明了该方法的有效性。
2019-10-21 cs.AI cs.CE cs.LG
Imputation of Time-varying Edge Flows in Graphs by Multilinear Kernel Regression and Manifold Learning
Tokyo Institute of Technology（东京工业大学）；Florida Atlantic University（佛罗里达大西洋大学）
本文扩展MultiL-KRIM框架，结合单纯复形、Hodge拉普拉斯、流形学习与矩阵分解，在无训练数据条件下插补图中时变边流，并在真实网络上优于多种现有方法。
2024-09-08 cs.LG eess.SP
Interaction Measures, Partition Lattices and Kernel Tests for High-Order Interactions
Imperial College London（伦敦帝国理工学院）；University Hospital Würzburg（维尔茨堡大学医院）
针对仅靠成对关系难以捕捉复杂多变量数据完整统计结构的问题，提出d阶交互度量层级与基于核的非参数显著性检验，结合格理论优化推导与计算效率，并经合成数据和神经影像数据验证有效。
2023-11-07 cs.LG math.ST stat.ML
Inference of Spatio-Temporal Functions over Graphs via Multi-Kernel Kriged Kalman Filtering
Univ. of Minnesota（明尼苏达大学）；Univ. of Agder（阿格德大学）
图上的时空变化信号的推断在大量的网络科学相关应用中自然出现。一个经常遇到的挑战涉及重建这样的动态过程，给定它们的值在一个子集的顶点和时刻。本论文开发了一个图形感知的基于核的克里金卡尔曼滤波器，占时空变化，并提供有效的在线重建，即使是动态演变的网络拓扑结构。基于内核的学习框架通过利用图形信号相对于底层图形所表现出的平滑性来绕过对统计信息的需求。为了解决选择合适的内核的挑战，建议的过滤器与多内核选择模块相结合。这种数据驱动的方法在预先选择的字典的线性跨度内选择与信号动态动态一致的内核。新的多核学习算法利用拉普拉斯核矩阵的特征结构来降低计算复杂性。合成和真实数据的数值试验表明，相对于国家的最先进的替代品的新方法的优越的重建性能。
2017-11-25 cs.LG eess.SP stat.ML
Towards Robust Nonlinear Subspace Clustering: A Kernel Learning Approach
Université de Sherbrooke（谢布鲁克大学）
本文提出DKLM，一种数据驱动的核学习非线性子空间聚类方法，通过自适应核学习与块对角亲和矩阵优化，提升聚类鲁棒性并在实验中验证其有效性。
2025-01-20 cs.CV cs.LG stat.ML
Adaptive Graph via Multiple Kernel Learning for Nonnegative Matrix Factorization
非负矩阵分解（NMF）在模式识别和信息检索方法等领域不断发展。它将矩阵分解为2个低秩非负矩阵的乘积，这将定义非负数据的基于部分和线性表示。最近，图正则化NMF（GrNMF）被提出来寻找一种紧凑的表示，它揭示了隐藏的语义，同时尊重内在的几何结构。在GNMF中，从原始数据空间构造亲和图以编码几何信息。在本文中，我们提出了一个新的想法，该想法采用多核学习方法来细化反映矩阵和新数据空间的分解的图结构。利用核学习细化的图对GrNMF进行了改进，并在GrNMF框架下提出了一种新的核学习方法。我们的方法显示了令人鼓舞的结果相比，国家的最先进的聚类算法，如NMF，GrNMF，SVD等。
2013-04-03 cs.CV cs.LG stat.ML
Higher-order topological kernels via quantum computation
University of Verona（维罗纳大学）
针对经典计算高维Betti数代价过高的问题，本文提出基于Betti曲线的量子拓扑核方法，并在无噪声模拟器上验证其稳健性与量子机器学习潜力。
2023-07-14 cs.LG quant-ph
Scalable Machine Learning Algorithms using Path Signatures
本论文研究路径签名在可扩展机器学习中的应用，提出结合粗糙路径理论与概率建模、深度学习和核方法的模型，为序列和结构化数据提供理论稳健且计算高效的解决方案。
2025-06-24 cs.LG math.PR stat.ML
Hierarchical-Graph-Structured Edge Partition Models for Learning Evolving Community Structure
Great Bay Institute for Advanced Study（大湾区高等研究院）；Great Bay University（大湾区大学）；School of Computing and Information Technology（计算与信息技术学院）
提出一种基于 Poisson-gamma 边划分和层次图先验的动态网络模型，通过层次转移核建模潜在社区的演化与交互，在链路预测和社区检测任务上优于现有方法。
2024-11-18 cs.LG cs.SI
Self-Balancing, Memory Efficient, Dynamic Metric Space Data Maintenance, for Rapid Multi-Kernel Estimation
University of Texas at Austin（德克萨斯大学奥斯汀分校）
提出动态自平衡八叉树结构，支持对数时间更新与查询，在演化度量空间中高效维护邻域，加速SVGD、KNN、RAG并提升样本效率，实现指数级加速且保持精度。
2025-04-25 cs.LG
Kernelized Edge Attention: Addressing Semantic Attention Blurring in Temporal Graph Neural Networks
Mastercard（万事达卡）；Indian Institute of Technology, Delhi（印度理工学院德里分校）
KEAT通过核化边注意力机制提升时间图神经网络对时间依赖性的捕捉能力，实现更准确和可解释的信息传递。
2026-01-31 cs.LG
Beyond Static Graph World Models: Learning Stochastic Latent Dynamics over Evolving Topologies
Oxford Robotics Institute（牛津机器人研究所）；University of Oxford（牛津大学）
本文提出图动力学模型（GDM），用于随机和部分可观测环境中演化拓扑的图世界模型，并引入图分布距离（GDD）度量，实验证明其优于基线并具备大图零样本泛化能力。
2026-09-25 cs.AI cs.LG cs.SI
Dynamic Graph Echo State Networks
University of Pisa（比萨大学）
动态时间图表示实体之间的演变关系，例如社交网络用户之间的交互或感染传播。我们提出了一个扩展的图形回声状态网络的动态时间图的有效处理，其回声状态属性的充分条件，和水库布局的影响的实验分析。与需要保存顶点交互的整个历史的时间图内核相比，我们的模型为动态图提供了一个矢量编码，该动态图在每个时间步更新，而不需要训练。实验结果表明，准确性相媲美的近似时间图内核的12个传播过程分类任务。
2022-10-27 cs.LG cs.SI
From Fairness to Infinity: Outcome-Indistinguishable (Omni)Prediction in Evolving Graphs
Harvard（哈佛大学）；MIT（麻省理工学院）；Microsoft Research（微软研究院）
该研究针对职业网络演化图的边形成预测问题，提出结合改进在线K29星算法与再生核希尔伯特空间理论的在线算法，实现结果不可区分性和全预测性，可优化社会福利函数损失并支持多校准预测。
2024-11-26 cs.CY cs.LG cs.SI
HodgeCover: Higher-Order Topological Coverage Drives Compression of Sparse Mixture-of-Experts
Princeton University（普林斯顿大学）
HodgeCover通过高阶拓扑覆盖技术，在不重新训练的情况下压缩稀疏混合专家层，通过识别谐波核来优化专家合并过程，实现高效压缩。
2026-05-13 cs.AI cs.CL cs.LG
