ffstruc2vec：面向结构身份学习的平坦、灵活且可扩展的节点表示
机器人学
2025-04-03 v1 人机交互
摘要
节点嵌入是指生成保持节点特定属性的低维向量表示的技术。在该领域的关键挑战是开发出可保持适合特定下游应用任务所需类型结构属性的可扩展方法。虽然大多数现有方法侧重于保持节点邻近性，但那些确实保持结构属性的方法往往缺乏灵活性以保持下游应用任务所需的各种结构模式类型。本文引入 ffstruc2vec，一个用于学习节点嵌入向量的可扩展深度学习框架，旨在保持结构身份。其平坦、高效的架构允许通过捕获多样化结构模式类型实现高度灵活性，从而实现对各种下游应用任务的广泛适应性。该提议框架在实际应用中在多样化的无监督和监督任务上显著优于现有方法。此外，ffstruc2vec 通过量化 individual 结构模式如何影响任务结果，实现了可解释性，提供可操作的解释。据我们了解，目前没有任何框架兼具这种水平的灵活性、可扩展性和结构可解释性，凸显了其独特能力。
引用
@article{arxiv.2504.01121,
title = {Making Sense of Robots in Public Spaces: A Study of Trash Barrel Robots},
author = {Fanjun Bu and Kerstin Fischer and Wendy Ju},
journal= {arXiv preprint arXiv:2504.01121},
year = {2025}
}