图神经网络（GNN）已实现了链接预测的最先进性能。但是，GNNS的解释性差，这限制了他们在关键场景中的收养，这些情况需要知道为什么预测某些链接。尽管提出了各种用于GNN的解释性的方法，但其中大多数是用于解释节点分类的事后解释者 ...

我们研究了在知识图嵌入（KGE）模型中解释链接预测的问题。我们提出了一种基于示例的方法，该方法利用了知识图中节点和边缘的潜在空间表示以解释预测。我们通过观察到有影响力的三元组后，通过观察模型性能的降低来评估了鉴定的三元组的重要性 ...

Graph Machine Learning（GML）在现实世界中有许多应用程序，例如节点/图形分类和链接预测。为GML模型提供人为理解的解释是促进其采用的一项具有挑战性但根本的任务，但是对链接预测模型的验证解释很少受到关注。在本文中，我们提供定量指标，以评估链接预测解释的质量，无论有无基础 ...

安全仍然是自主驾驶系统中最关键的挑战之一。近年来，端到端驾驶在以可扩展的方式推进车辆自治方面表现出了巨大的希望。但是，由于缺乏明确的行为限制，现有方法通常会面临安全风险 ...

知识图（kg）链接预测旨在根据kg中现有事实推断新事实。最近的研究表明，与仅使用查询信息相比，通过图神经网络（GNN）使用节点的图形邻域提供了更多有用的信息。 kg链接预测的常规GNN遵循整个kg的标准消息范式，这导致了多余的计算，对节点表示的过度光滑，还限制了其表达能力 ...

本文使现实世界的人形机器人能够在像人类一样执行富有表现力的动作的同时保持稳定性。我们提出了 ExBody2，一个通用的全身跟踪框架，可以接受任何参考运动输入并控制人形机器人模仿运动。该模型通过强化学习进行模拟训练，然后转移到现实世界 ...

尽管网络修剪已被广泛普及以压缩深层神经网络，但其由此产生的准确性在很大程度上取决于通常在计算上昂贵且需要原始数据的微调过程。但是，在现实世界中可能并非如此，因此，最近的一些工作试图恢复修剪的网络而没有任何昂贵的再培训过程。他们的强烈假设是，每个被修剪的神经元都可以用与之相似的另一个神经元代替，但是不幸的是，在许多神经网络中，这并不能使神经元之间的相似性在某些层中极低 ...

分析理论表明，高质量的数据可以导致在固定数据预算训练的模型中的测试错误较低。此外，如果可以将数据集剥夺其冗余，则可以在较低的计算预算上培训模型，而不会损害性能。核心选择（或数据修剪）试图选择训练数据的子集，以最大程度地提高该子集训练的模型的性能，也称为核心 ...