Apr, 2013

DELTACON：基于原则的大规模图相似度函数

PDF
TL;DR本研究旨在通过形式化规定图相似性函数的公理和期望属性，评估现有最先进的方法在检测图中关键连通性变化方面的失败情况，并提出了 DeltaCon 算法，在不同种类的合成和真实图上显示了该方法在相似性测量上的优点，同时应用于人脑连接图和电子邮件关系图的分类和异常检测。
graph similarityconnectivity changesdeltacon algorithmbrain connectivity graphstemporal anomaly detection
发现论文，激发创造
  • 使用图勾画度分布比较生物网络

    研究了细胞网络的相似性计算问题，提出了一种基于图形小连通子图度分布的新颖结构度量方法，可以更好地模拟生物网络建模。

    Jan, 2009

  • 使用图卷积网络进行距离度量学习：应用于功能性脑网络

    该论文提出了一种新的图相似度度量方法，利用卷积神经网络和谱图理论概念，在不规则图上执行操作，通过对临床应用量身定制的图相似度度量方法，将 k-nn 分类器的性能提高了 11.9％。

    Mar, 2017

  • GraphDCA - 实现真实和合成图中节点分布比较的框架

    本文提出 GraphDCA—— 基于节点表示集对图之间相似度评估的框架，使用 Delaunay 分量分析对集合进行比较。通过对不同结构的图示例和公开真实数据集的实验，显示 GraphDCA 成功捕捉到局部结构相似和不相似的图，并证明其胜于全局统计方法，应用到 NetGAN 和 CELL 这两个最新图生成模型的实验进一步表明有必要提高图生成模型对局部结构特征的再现。

    Feb, 2022

  • 基于密度的近似谱聚类相似度算法用于噪声数据集

    提出了一种名为 DCONN 的有向连通性矩阵，用于较高效地构建近似谱聚类图，并使用噪声过滤方案高亮潜在聚类。

    Feb, 2023

  • 基于潜在图学习的疾病预测

    本文通过提出新的动态本地化图剪枝方法，在医学中的两个 CADx 问题上展示了学习单一、最优图形对 GCN 向下游疾病分类任务的可行性，由此我们证明了图形学习对于在医学应用中使用 GCN 进行更准确和稳健推断的重要性。

    Mar, 2020

  • 复杂网络的多尺度动态嵌入

    基于控制理论，我们提出了一种描述节点间动态相似性的时间依赖动态相似度度量，该度量可用于减少复杂系统网络的描述，并可用于发现功能模块。通过案例研究，我们展示了该方法在不强连通的有向网络和带符号网络上的应用，并将社区检测方法与控制理论相结合。

    Apr, 2018

  • 一种信息理论，全尺度比较网络的方法

    提出了一种新的网络比较度量 —— 网络画像差异，该方法可以比较各种类型的网络并揭示多层和时间网络的重要特征。

    Apr, 2018

  • 联合图卷积分析脑结构和功能联结网络

    本文提出将结构网络和功能网络耦合起来，提出一种联合图卷积网络（Joint-GCN）以分析结构和功能网络之间的关系，并在预测大脑白质网络年龄和性别方面进行应用，结果表明联合 - GCN 比现有的多模态图学习方法更有效。

    Oct, 2022

  • 多尺度卷积集匹配学习的高效图相似度计算

    本文介绍了 GraphSim 模型，该模型从直接匹配两组节点嵌入的角度解决了图相似性计算问题，获得了在四个真实世界图数据集上的最先进性能。

    Sep, 2018

  • 多头图卷积网络用于结构连接组分类

    本文提出了一种受图卷积网络启发的机器学习模型，针对基于扩散磁共振图像的脑连接性进行分类。该模型通过并行地使用具有多个头的图形卷积机制对脑连接输入图进行处理，并使用不同的头涉及图卷积来捕获输入数据的表示，证明了在两个公开数据集上比现有的机器学习算法展现出更高的性能，包括经典方法和 (图形和非图形) 深度学习。

    May, 2023