MAGNA:最大化全局网络对齐精度
本论文提出了一种新的多网络差异对齐(MNA)方法 multiMAGNA++,通过在对齐构建过程中同时优化边保留和节点保留,此方法在方法评估中也引入了新的 MNA 质量度量来更全面地描述差异对齐,该方法优于或与现有 MNA 方法相当,并且通常比现有方法更快地完成对齐,而且适用于大规模网络数据并能有效实现并行。
Apr, 2016
TARA, a data-driven framework for biological network alignment, utilizes a classifier to predict functional relatedness based on network topological patterns and outperforms existing state-of-the-art methods.
Feb, 2019
提出了一种名为 MAGNA 的多跳图神经网络,该网络通过扩散先前层中的注意力分数以增加每一层的感受野,并在节点未直接相连时利用扩散先验的注意值捕获网络上下文信息,实验结果证明该网络在节点分类以及知识图谱完成基准测试上均达到了表现最佳。
Sep, 2020
提出了一种名为 Grad-Align+ 的网络对齐方法,通过中心性节点特征增强、图神经网络辅助嵌入相似度计算以及 Grad-Align 中逐步发现节点对的信息,实现了在缺少锚定连接或节点特征信息的情况下高效准确的网络对齐。
Apr, 2023
该研究针对蛋白质 - 蛋白质相互作用网络对齐问题,提出了基于图匹配算法的两种解决方案,分别基于序列相似性和相互作用保守性,两种新算法均优于现有算法,可检测到更多的已知保守性交互作用。
May, 2009
本研究提出了 Grad-Align,一种全新的网络对齐方法,通过渐进地发现具有强一致性的节点对来逐步对齐节点,实现了更加准确的节点匹配。在真实世界和合成数据集的综合实验中,我们证明了 Grad-Align 在网络对齐方面优于现有的最先进的方法。
Jan, 2022
本文介绍了一个名为 SiGMa 的算法,它是一种对齐具有数百万实体和事实的知识库的简单且高效的算法,并且可以在准确性和效率方面优于现有方法。
Jul, 2012
在线贝叶斯二分匹配问题是数字市场和交易所中的一个核心问题,我们引入了一种图神经网络(GNN)方法,模拟了该问题的组合复杂的最优在线算法,通过计算每个动作的 VTG(value-to-go)来选择动作(例如,匹配哪些节点),然后在未来以最佳方式行动。我们训练了一个 GNN 来估计 VTG,并从实证上显示,这个 GNN 在各种任务中返回高权重的匹配。此外,我们在空间众包应用中鉴定了一类常见的图分布,例如拼车,其中 VTG 可以通过在图中的局部邻域内聚合信息进行有效的近似。这种结构符合 GNN 的局部行为,为我们的方法提供了理论上的依据。
Jun, 2024
在这篇论文中,我们提出了一种使用经验熵估计和最新提出的『精确马尔可夫性』的 imsets 框架对最大祖先图进行评分的方法。我们的图搜索过程类似于 Claassen 等人的方法,但根据我们的理论结果进行了改进。通过限制节点数、最大头节点大小和辨识路径数,我们证明了我们的搜索算法在节点数量上是多项式的。在模拟实验中,与其他最先进的最大祖先图学习算法相比,我们的算法显示出更好的性能。
Feb, 2024
REGAL 是一种基于节点表示学习的多网络对齐框架,其中的 xNetMF 是一种优雅和有原则性的节点嵌入公式,可以显着提高速度和准确度,该方法在学习阶段比其他方法快 30 倍,在准确度方面比现有的网络对齐方法高 20% 至 30% ,可扩展到具有数百万个节点的网络。
Feb, 2018