BriefGPT - AI 论文速递
·
一种混合成员潜在距离模型适用于无符号和有符号整数加权网络
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
本文提出了混合成员-潜在距离模型（HM-LDM）和有符号混合成员-潜在距离模型（sHM-LDM），用于图像表示学习。通过限制潜在距离模型为潜在单纯形，控制潜在空间的体积，逐渐显现出社区结构。在有符号网络中引入Skellam分布来考虑有符号加权网络。实验证明这些方法成功地识别了重要的独特结构，并提供了有利的预测表现与主流基准相比。学习到的软成员使得网络可视化更易于解释并突出显示出独特的模式。
🎯
关键要点
-
提出了混合成员-潜在距离模型（HM-LDM）和有符号混合成员-潜在距离模型（sHM-LDM）用于图像表示学习。
-
通过限制潜在距离模型为潜在单纯形，控制潜在空间的体积，逐渐显现出社区结构。
-
在有符号网络中引入Skellam分布以考虑有符号加权网络。
-
实验证明HM-LDM和sHM-LDM成功识别重要的独特结构，并在多个真实网络上提供有利的预测表现。
-
学习到的软成员使得网络可视化更易于解释，并突出显示独特的模式。
➡️
