Ethereum Fraud Detection via Joint Transaction Language Model and Graph Representation Learning
针对以太坊欺诈检测中语义、相似性与结构信息未被联合建模的问题,提出 TLMG4Eth,融合交易语言模型、属性相似性图和账户交互图并联合训练。
2025-02-18 cs.CR cs.LG q-fin.GN
System-reliability based multi-ensemble of GAN and one-class joint Gaussian distributions for unsupervised real-time structural health monitoring
Virginia Tech University(弗吉尼亚理工大学);K. N. Toosi University of Technology(K. N. 图西理工大学)
无监督健康监测作为最实用的实时的【形】结构健康监测方法,在过去的十年中得到了广泛的关注。在文献中提出的无监督技术中,仍然存在鲁棒和实时的【形】健康监测的障碍。这些障碍包括特征提取步骤中的降维信息丢失、这些步骤的案例依赖性、缺乏动态聚类以及检测结果对用户定义的参数的敏感性。本研究介绍一种无监督的实时的【形】SHM方法,该方法具有低维和高维特征的混合物,而不需要依赖于案例的提取方案。这两个特征都用于训练生成对抗网络(GAN)和一类联合高斯分布模型(1-CG)的多集合。基于GAN和1-CG模型的检测得分,构造了极限状态函数的新颖性检测系统。这些极限状态函数(检测阈值)的电阻通过基于可靠性的分析采用Monte Carlo直方图采样来调整到具有GAN生成的数据对象的用户定义的参数。该调整使得该方法对用户定义的参数具有鲁棒性,这是至关重要的,因为在实时的【形】SHM中没有选择这些参数的规则。提出的新颖性检测框架被应用到两个标准的SHM数据集,以说明其通用性:黄色框架(20个损伤类)和Z24桥(15个损伤类)。所有不同的损害类别的识别与低敏感性的用户定义的参数的初始选择与引入动态和静态基线方法很少或没有假警报。
2021-02-01 cs.LG
Cheeger--Hodge Contrastive Learning for Structurally Robust Graph Representation Learning
School of Mathematics and the Data Science Institute, Shandong University(数学学院和数据科学研究院,山东大学);School of Physical and Mathematical Sciences, Nanyang Technological University(物理与数学科学学院,南洋理工大学);Data Science Institute, Shandong University(数据科学研究院,山东大学)
本文提出Cheeger-Hodge对比学习框架,通过结合Cheeger启发的连接签名和1-Hodge拉普拉斯低频谱,提升图表示的鲁棒性,实验表明其在多个基准和迁移任务中表现优异。
2026-04-29 cs.LG
Joint Graph Convolution for Analyzing Brain Structural and Functional Connectome
Stanford University(斯坦福大学);SRI International(斯坦福国际研究院)
大脑的白质(微)结构架构促进神经元群体之间的同步,产生丰富的功能连接模式。系统神经科学的一个基本问题是确定最好的方式来关联结构和功能网络量化的扩散张量成像和静息态功能MRI。图卷积网络(GCN)作为网络分析的最新方法之一,已分别用于分析功能网络和结构网络,但尚未应用于探索网络间的关系。在这项工作中,我们建议通过在相应的大脑区域之间添加网络间边缘来耦合个体的两个网络,以便可以通过单个GCN直接分析联合结构-功能图。网络间边缘的权重是可学习的,反映了整个大脑的非均匀结构-功能耦合强度。我们应用我们的Joint-GCN来预测662名参与者的年龄和性别,这些参与者来自国家酒精和青少年神经发育联盟(NCANDA)的公共数据集,基于他们的功能和微观结构白质网络。我们的研究结果支持,建议联合GCN优于现有的多模态图学习方法分析结构和功能网络。
2022-10-27 cs.AI cs.LG q-bio.NC
H$^3$GNNs: Harmonizing Heterophily and Homophily in GNNs via Joint Structural Node Encoding and Self-Supervised Learning
North Carolina State University(北卡罗来纳州立大学)
针对GNN在自监督设置中难以平衡异质性和同质性的问题,提出H³GNNs端到端自监督框架,通过联合结构节点编码和基于节点难度动态掩码的师生自监督学习,在异质性和同质性数据集上均取得优异性能。
2025-04-16 cs.LG cs.SI
Community-preserving Graph Convolutions for Structural and Functional Joint Embedding of Brain Networks
Tongji University(同济大学);Google Research(谷歌研究院);Intel Labs(英特尔实验室);University of Illinois at Chicago(伊利诺伊大学芝加哥分校);The University of Chicago(芝加哥大学);Northwestern University(西北大学)
由于脑网络对于理解人脑组织、研究神经系统疾病和临床诊断应用的重要意义,脑网络受到了相当大的关注。结构脑网络(如DTI)和功能脑网络(如fMRI)是主要的感兴趣的网络。现有的脑网络分析大多集中在结构或功能连接上,不能充分利用彼此之间的互补信息。虽然已经提出了多视图学习方法来从两个网络(或视图)学习,但这些方法旨在在多个视图之间达成共识,因此可以忽略每个视图的不同内在属性。如何从结构和功能脑网络中联合学习表征,同时保持其固有特性是一个关键问题。本文提出了一种Siamese社区保持图卷积网络(SCP-GCN)框架,用于学习脑网络的结构和功能联合嵌入。具体来说,我们使用图卷积来学习结构和功能联合嵌入,其中图结构是用结构连通性定义的,节点特征来自功能连通性。此外,我们建议通过考虑学习过程中的社区内和社区间属性来保持图卷积中大脑网络的社区结构。此外,我们使用Siamese架构,该架构对成对相似性学习进行建模,以指导学习过程。为了评估所提出的方法,我们在两个真实的大脑网络数据集上进行了广泛的实验。实验结果表明,该方法在神经系统疾病分析的结构和功能关节嵌入方面具有优越的性能,表明其具有良好的临床应用价值。
2019-11-08 cs.LG eess.IV stat.ML
Unified Embeddings of Structural and Functional Connectome via a Function-Constrained Structural Graph Variational Auto-Encoder
University of Illinois Chicago(伊利诺伊大学芝加哥分校);University of Pittsburgh(匹兹堡大学)
图论分析已经成为大脑功能和解剖连接建模的标准工具。随着连接组学的出现,感兴趣的主要图形或网络是结构连接组(来自DTI纤维束成像)和功能连接组(来自静息状态fMRI)。然而,大多数已发表的连接体研究都集中在结构或功能连接体上,但当它们之间的互补信息在同一数据集中可用时,可以共同利用来提高我们对大脑的理解。为此,我们提出了一个功能约束的结构图变分自动编码器(FCS-GVAE)能够将信息从功能和结构连接体在一个无监督的方式。这导致了一个联合低维嵌入,建立了一个统一的空间坐标系,用于比较不同的主题。我们使用公开的OASIS-3阿尔茨海默病(AD)数据集评估我们的方法,并表明变分制剂是必要的,以最佳编码功能性脑动力学。此外,所提出的联合嵌入方法可以比不使用互补连接体信息的方法更准确地区分不同的患者亚群。
2022-07-05 cs.LG q-bio.NC
Tensor-Train Joint Modeling for Few-Step Discrete Diffusion
KAIST(韩国科学技术院)
研究离散扩散少步生成潜力受限问题,用张量分解进行联合分布建模,支持多种分解方式,提出迭代边际推理程序,通过微调预训练模型大幅提升少步生成效果。
2026-07-21 cs.LG
Joint Structural Pruning and Mixed-Precision Quantization for LLM Compression
UiT The Arctic University of Norway(挪威北极大学);University of Oslo, Norway(挪威奥斯陆大学)
提出端到端框架,通过全局误差最小化的混合精度量化策略和联合优化结构剪枝与量化策略,在超低比特下显著降低困惑度。
2026-06-05 cs.AI cs.LG
An Interpretable Joint Nonnegative Matrix Factorization-Based Point Cloud Distance Measure
Harvey Mudd College(哈维穆德学院);Scripps College(斯克里普斯学院)
本文提出了一种新的方法来确定共享的特征和测量数据集或点云之间的距离。我们的方法使用两个数据矩阵$X_1,X_2$到非负矩阵$X_1 = AS_1, X_2 = AS_2$的联合因式分解,以获得一个相似性度量,确定如何以及共享的基础$A$近似$X_1, X_2$。我们还提出了一个点云距离测量建立在这种方法和学习的因式分解。我们的方法揭示了图像和文本数据的结构差异。潜在的应用包括分类、检测剽窃或其他操纵、数据去噪和迁移学习。
2022-11-27 cs.LG
Contrastive Joint-Embedding Prediction for Representation Learning in Structural MRI
Technical University of Denmark(丹麦技术大学);Department of Applied Mathematics and Computer Science(应用数学与计算机科学系)
针对医学成像中标记数据稀缺问题,提出COJEPA自监督框架,结合联合嵌入预测架构与对比损失,用于体积脑MRI。通过特定技术扩展到3D,在多任务中评估,取得了如最佳同卵双胞胎召回率等成果,证明组合目标能产生优质表示。
2026-07-15 cs.CV cs.LG
A Gaussian process latent force model for joint input-state estimation in linear structural systems
University of Waterloo(滑铁卢大学);University of Notre Dame(圣母大学)
研究了基于结构模型的先验知识和实测响应的线性结构系统的状态和输入联合估计问题。提出了一种新的方法,使用高斯过程的潜在力量模型来解决这个问题,在一个随机设置。高斯过程潜在力模型(GPLFM)是将表示物理系统的微分方程与数据驱动的非参数高斯过程模型相结合的混合模型。在这项工作中,未知的输入力作用在一个结构上被建模为高斯过程与一些选择的协方差函数相结合的机械微分方程表示的结构,以构建一个GPLFM。GPLFM,然后方便地制定为一个增广的随机状态空间模型与额外的状态表示的潜在的力分量,和联合输入和状态推断的结果模型使用卡尔曼滤波器实现。GPLFM的增广状态空间模型被示出为输入增广状态空间模型类的泛化,被证明是可观察的,并且在数值稳定性方面与常规增广公式相比是鲁棒的。基于观测数据,使用最大似然优化来估计控制协方差函数的超参数,从而克服了通过试错法手动调整超参数的需要。为了评估所提出的GPLFM方法的性能,状态和输入估计的几种情况下,演示了使用数值模拟的10自由度剪切建筑物和76层ASCE基准办公楼。结果表明,所提出的方法优于传统的卡尔曼滤波器为基础的方法的性能。
2019-04-02 cs.LG stat.ML
A Fuzzy-set-based Joint Distribution Adaptation Method for Regression and its Application to Online Damage Quantification for Structural Digital Twin
Politecnico di Milano(米兰理工大学);Beihang University(北京航空航天大学)
在线损害量化遭受不充分的标记数据,削弱了其准确性。在这种情况下,采用对来自类似结构/损伤的历史标记数据或模拟数字孪生数据的领域自适应来辅助当前诊断任务将是有益的。然而,大多数领域自适应方法是为分类而设计的,并且不能有效地解决损伤量化,这是一个具有连续实值标签的回归问题。本研究首先提出一种新的领域自适应方法--基于在线模糊集的回归联合分布自适应方法。通过模糊集将连续实值标签转换为模糊类别标签,同时度量边缘和条件分布差异,实现损伤量化任务的领域自适应。基于该方法的优越性,提出了一种基于领域自适应的在线损伤量化框架。最后,以某型直升机为例,进行了不同损伤位置、不同损伤类型和从仿真到试验的3种损伤领域自适应,验证了该方法在真实环境下能够显著提高损伤量化的准确性。预计该方法将应用于考虑个体差异的船队级数字孪生。
2023-02-07 cs.CE cs.LG
Joint analysis of structural connectivity and cortical surface features: correlates with mild traumatic brain injury
Vanderbilt University(范德堡大学);Vanderbilt University Medical Center(范德堡大学医学中心);Vanderbilt University Institute of Imaging Science(范德堡大学影像科学研究所);Vanderbilt Brain Institute(范德堡脑科学研究所)
轻度创伤性脑损伤(mTBI)是一种复杂的综合征,每10万人中有600人受到影响,特别集中在军事人员中。大约一半的mTBI患者经历了各种各样的慢性症状,这些症状在急性损伤后持续很长时间。因此,迫切需要更好地了解与mTBI相关的白质和灰质病理,以绘制哪些特定的大脑系统受到影响并确定干预过程。以前的工作已经将mTBI与白质通路和皮质表面异常的中断联系起来。在此,我们在一项与mTBI及其慢性症状相关的关节结构连接和皮质表面变化的探索性研究中检查了这些假设的联系。简而言之,我们考虑了12名mTBI受试者和26名对照受试者的队列。从每个受试者的皮质表面区域和扩散加权磁共振成像中提取了一组588个皮质表面度量和4,753个结构连接度量。主成分分析(PCA)被用来减少每个度量集的维数。然后,我们分别对每个PCA空间和联合ICA方法中的每个PCA空间应用独立分量分析(ICA)。我们在仅连接性和联合ICA中发现了一个稳定的独立成分,这在受试者负荷方面存在显着的组间差异(p<0.05,已更正)。此外,我们发现两种mTBI症状,思维减慢和健忘,与仅表面ICA中的mTBI受试者负荷显著相关(p<0.05,校正)。这些仅表面载荷捕获了双侧皮质厚度的增加。
2020-12-15 cs.LG q-bio.NC q-bio.TO
Causal Inference Through the Structural Causal Marginal Problem
Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所);University of Cambridge(剑桥大学);Amazon Research(亚马逊研究院)
我们介绍了一种基于合并来自多个数据集的信息的反事实推理方法。我们考虑一个因果的统计边际问题的重新表述:给定一个集合的边际结构因果模型(SCM)的不同,但重叠的变量集,确定一组联合SCM是反事实的一致性与边际的。我们正式这种方法的分类SCM使用的响应函数制定,并表明它减少了允许的边际和联合SCM的空间。因此,我们的工作突出了一种新的模式,通过额外的变量,与统计的一个通过额外的数据证伪。
2022-07-14 cs.AI cs.LG
Joint Embedding Learning of Educational Knowledge Graphs
本文针对教育知识图谱中结构关系价值有限、字面信息更重要的特点,提出一种联合学习结构信息和字面信息的嵌入模型,并在真实教育知识图谱及基准图上验证了其有效性和优越性。
2019-12-23 cs.AI cs.CL cs.LG
Neighborhood-aware Scalable Temporal Network Representation Learning
University of Massachusetts(马萨诸塞大学);Purdue University(普渡大学)
时态网络已被广泛用于模拟现实世界的复杂系统,如金融系统和电子商务系统。在时间网络中,一组节点的联合邻域通常提供关键的结构信息,用于预测它们是否可以在某个时间进行交互。然而,最近的时间网络的表示学习方法往往无法提取这些信息或依赖于结构特征的在线构造,这是耗时的。为了解决这个问题,这项工作提出了邻居感知的时间网络模型(NAT)。对于网络中的每个节点,NAT放弃了常用的基于单个向量的表示,而采用一种新的字典类型的邻域表示。这样的字典表示将相邻节点的下采样集合记录为键,并且允许快速构造多个节点的联合邻域的结构特征。我们还设计了一个专用的数据结构称为N-缓存,以支持并行访问和更新的GPU上的这些字典表示。NAT在七个真实世界的大规模时间网络上进行了评估。NAT不仅在传导性和归纳性链接预测准确性方面分别比所有前沿基线平均高出1.2%和4.2%,而且还保持可扩展性,相对于采用联合结构特征的基线实现了4.1- 76.7倍的速度提升,相对于不采用这些特征的基线实现了1.6- 4.0倍的速度提升。代码链接:https://github.com/Graph-COM/Neighborhood-Aware-Temporal-Network。
2022-11-30 cs.LG cs.SI
Degree-Corrected Joint Matrix Factorization for Multilayer Community Detection
University of Mons(蒙斯大学)
针对多层网络社区检测,提出联合非负对称矩阵三分解方法,通过共享社区约束并允许层间差异,结合MDCBM评估,实验验证其优于现有方法。
2026-10-02 cs.LG cs.SI
Joint Information Preservation for Heterogeneous Domain Adaptation
Jiangnan University(江南大学)
领域自适应的目的是利用源领域的知识辅助目标领域的建模任务。由于数据采集方法的多样性,这两个领域往往位于不同的特征空间,这就给异构领域自适应(HDA)带来了更大的挑战。HDA的一个核心问题是如何在适应过程中保持原始数据的信息。在本文中,我们提出了一个联合信息保存方法来处理这个问题。该方法从两个方面保留了原始数据的信息。一方面,虽然配对样本经常存在于HDA的两个域之间,但当前的算法没有充分利用这些信息。该方法通过最大化共享子空间中成对样本的相关性来保持成对信息。另一方面,该方法改进了保留原始数据结构信息的策略,同时保留了局部和全局结构信息。最后,通过分布匹配实现联合信息保持。实验结果表明,该方法优于国家的最先进的HDA算法。
2019-05-22 cs.CV cs.LG stat.ML
Non-Euclidean Analysis of Joint Variations in Multi-Object Shapes
University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校);University of Stavanger(斯塔万格大学)
本文考虑在分类任务中多个功能相关结构的联合分析。特别是,我们开发的方法是由自闭症和对照组之间功能相关的大脑结构如何共同变化驱动的。为此,我们设计了一种基于以下两种方法的新组合的方法:(1)非欧几里德统计,可以忠实地表示欧几里德空间中的非欧几里德数据;(2)非参数综合分析方法,可以将多块欧几里德数据分解为联合,个体和残差结构。我们发现,由此产生的联合结构是有效的,强大的,并在识别多块非欧几里德数据的联合变化的基本模式解释。我们验证了分类的结构形状数据收集的情况下,开发和没有开发成自闭症谱系障碍(ASD)的方法。
2021-09-07 cs.LG stat.ML
Joint Embedding of Meta-Path and Meta-Graph for Heterogeneous Information Networks
University of Illinois at Chicago(伊利诺伊大学芝加哥分校);Cornell University(康奈尔大学);The University of Hong Kong(香港大学);Facebook(脸书)
元图是目前异构信息网络相似性搜索最有效的工具,元图是一组元路径的组合,它捕捉了复杂的结构信息。然而,目前基于元图的相关性计算只考虑了复杂的结构信息,而忽略了其嵌入的元路径信息。为了解决这个问题,我们提出了基于MEta-GrAph的网络嵌入模型,分别称为MEGA和MEGA++。MEGA模型同时使用从元图及其嵌入的节点之间的元路径导出的归一化相关性或相似性度量,然后利用张量分解方法执行节点嵌入。MEGA++进一步利用耦合张量矩阵分解方法获得节点的联合嵌入,同时考虑了元图所有Meta信息的隐藏关系,在两个真实数据集上的大量实验表明MEGA和MEGA++比现有方法更有效.
2018-09-11 cs.LG cs.SI stat.ML
Joint Geometric and Topological Analysis of Hierarchical Datasets
Technion – Israel Institute of Technology(以色列理工学院)
在一个由复杂的采集技术产生的各种数据丰富的世界中,对新的数据分析方法的需求日益增长。在本文中,我们专注于组织成几个层次数据集的高维数据。我们假设每个数据集都由复杂的样本组成,每个样本都有一个由图建模的独特的不规则结构。这项工作的主要新颖之处在于结合了两种互补的强大数据分析方法:拓扑数据分析(TDA)和几何流形学习。几何主要包含局部信息,而拓扑固有地提供全局描述符。基于这种组合,我们提出了一种方法,用于建立一个信息表示的分层数据集。在更精细的(样本)层面上,我们设计了一个新的度量样本之间的流形学习的基础上,促进定量结构分析。在粗(数据集)级别,我们采用TDA从数据集中提取定性的结构信息。我们展示了我们的方法在模拟数据和高光谱图像语料库上的适用性和优势。我们表明,高光谱图像的合奏表现出层次结构,适合所考虑的设置。此外,我们表明,我们的新方法产生了优越的分类结果相比,国家的最先进的方法。
2021-04-03 cs.LG stat.ML
Unsupervised Structural-Counterfactual Generation under Domain Shift
本文提出一种无监督结构-反事实生成框架,通过区分效应固有与域固有外生变量并构建统一联合因果图,结合神经因果模型实现跨域反事实生成,实验验证其接近真实值。
2025-09-22 cs.LG stat.ML
Integrated Inference and Learning of Neural Factors in Structural Support Vector Machines
Ghent University(根特大学);iMinds(iMinds研究院)
处理计算机视觉、生物信息学、语音或文本识别等领域的模式识别问题,通常最好是考虑输出变量之间特定于任务的统计关系。在结构化预测中,这种内部结构用于同时预测多个输出,从而实现更准确和连贯的预测。结构支持向量机(SSVM)是一种非概率模型,通过基于边缘的学习来优化联合输入输出函数。由于SSVM通常忽略训练阶段一元和交互因素之间的相互作用,最终参数是次优的。此外,它的因素往往局限于输入特征的线性组合,限制了它的泛化能力。为了提高预测精度,本文提出:(i)通过集成SSVM次梯度下降中的反向传播和损失增强推理的联合推理和学习;(ii)将SSVM因子扩展到形成输入特征的高度非线性函数的神经网络。图像分割基准测试结果表明,与传统的SSVM训练方法相比,在准确性方面有所改进,突出了使用神经因素进行端到端SSVM训练的可行性。
2016-03-03 cs.CV cs.LG cs.NE
Maestro: Joint Graph & Config Optimization for Reliable AI Agents
针对现有LLM智能体优化器固定图结构无法解决结构性失效的问题,提出不受框架限制的Maestro联合优化器,结合轨迹反思反馈提升效率,在多基准和应用中显著优于主流提示优化方法。
2025-09-04 cs.AI cs.CL cs.LG
Low Dose CT Denoising via Joint Bilateral Filtering and Intelligent Parameter Optimization
Friedrich-Alexander University of Erlangen-Nuremberg(埃尔朗根-纽伦堡大学);Siemens Healthcare GmbH(西门子医疗有限公司)
临床CT图像去噪是深度学习研究的一个活跃领域。目前临床认可的方法使用迭代重建方法来降低CT图像中的噪声。迭代重建技术需要多个前向和后向投影,这是耗时且计算昂贵的。最近,深度学习方法已成功用于对CT图像进行降噪。然而,传统的深度学习方法存在“黑箱”问题。它们具有低可解释性,这对于在临床成像情况下使用是必要的。在本文中,我们使用联合双边滤波器(JBF)去噪我们的CT图像。使用深度残差卷积神经网络(CNN)来估计JBF的引导图像。JBF的范围平滑和空间平滑参数由深度强化学习任务调整。我们的参与者首先选择一个参数,然后选择一个动作来调优参数的值。设计了一个奖励网络来指导强化学习任务。我们的去噪方法表现出良好的去噪性能,同时保留结构信息。我们的方法明显优于最先进的深度神经网络。此外,我们的方法只有两个参数,这使得它更容易解释,并减少了“黑箱”问题。我们通过实验测量了我们的智能参数优化和奖励网络的影响。我们的研究表明,我们目前的设置在结构保护方面产生了最好的结果。
2020-07-09 cs.CV cs.LG eess.IV
Domain-agnostic segmentation of thalamic nuclei from joint structural and diffusion MRI
UCL(伦敦大学学院);MIT(麻省理工学院);MGH(麻省总医院);Harvard Medical School(哈佛医学院);Brunel University(布鲁内尔大学)
提出首个无需重新训练即可从任意分辨率T1和扩散MRI分割丘脑核团的CNN,利用组织学图谱和银标准分割,结合域随机化,输出0.7mm各向同性分割,兼容多种扩散采集,并在多扫描仪数据集上验证。
2023-05-05 cs.CV cs.LG eess.IV