ICLRJul, 2017

图的深度高斯嵌入：通过排名进行无监督归纳学习

PDF
TL;DRGraph2Gauss 是一种利用高斯分布表示节点，可以快速有效地在大规模（带属性）图上学习多功能节点嵌入，并且优于现有的方法，在网络分析和不同类型的图上都适用的无监督学习方法。
graph2gaussnode embeddingsunsupervised learningnetwork analysisuncertainty modeling
发现论文，激发创造
  • 大型图上的归纳表示学习

    该研究提出了一种通用的归纳框架 GraphSAGE，可以利用节点特征信息生成节点嵌入，不需要进行所有节点的嵌入训练，同时利用邻域采样和聚合特征来学习生成节点嵌入的函数。该算法在三项归纳节点分类基准测试中表现出色，具有很好的泛化性能。

    Jun, 2017

  • 基于图 - 图距离的无监督归纳图级别表示学习

    提出一种新的图级表示学习方法 —— 将整个图形嵌入到一个向量空间中，其中两个图形的嵌入保持其图形 - 图形的关联性。UGRAPHEMB 是一种通用框架，提供了一种全面的无监督和归纳式图级嵌入方法。 通过多尺度节点关注（MSNA）提出一种新的图级嵌入生成机制。在五个真实图形数据集上进行的实验表明，UGRAPHEMB 在图分类、相似性排名和图形可视化任务中具有竞争力的准确性。

    Apr, 2019

  • 网络感知嵌入的无监督学习

    通过估计数值节点属性之间的网络距离，我们可以创建网络感知嵌入，而不是对网络的节点进行聚类。在本文中，我们修复了无监督学习文献中的这个盲点，并展示了我们的方法在各种领域的应用中始终是有益的，并且可以提供可操作的见解。

    Sep, 2023

  • 无监督图学习中的非向量空间词嵌入

    本文介绍了一种用于学习单词表示的无监督图形表示方法，通过使用最短路径距离，将每个单词视为带权图中的节点，并表明比传统的向量表示方法更好地表现出单词的相似性和类比任务。

    Oct, 2020

  • 使用偏差图观测的无偏图嵌入

    本文提出了一种从不受敏感结点影响的无偏图学习结点嵌入的新方法，实现无偏图嵌入的两种方法通过理论和实验的对比表明其有效性。

    Oct, 2021

  • 通过低秩非对称投影学习边缘表示

    本文提出了一种新的无向图嵌入方法，通过建模节点的连边函数，并结合从随机游走中抽样的信息，对图的联通结构进行表达，从而提高了学到的嵌入空间的表现和空间效率。该方法在社交网络、蛋白质相互作用等数据集上均取得了较好的表现。

    May, 2017

  • graph2vec：学习图的分布式表示

    本研究提出了一种名为 Graph2vec 的神经嵌入框架，用于学习任意大小的图的数据驱动分布式表示。该模型可以应用于图分类、图聚类等下游任务，并取得了显著的性能提升。

    Jul, 2017

  • 属性图上的半监督异常检测

    本文提出一种在具有少量实例标签信息的属性图上检测异常实例的简单而有效的方法，该方法使用图卷积网络将节点嵌入到潜空间中，以捕获节点间的关系，然后通过最小化超球体的体积来训练节点嵌入算法以检测异常实例。该方法在五个真实世界的属性图数据集上的实验结果表明，该方法比各种现有的异常检测方法具有更好的性能。

    Feb, 2020

  • 节点和图学习的费舍尔信息嵌入

    本论文提出了一种新颖的基于注意力机制的节点嵌入框架，该框架使用基于节点周围子图集合的分层核，并使用一个光滑的统计流形来比较多组集合，从而明确计算与高斯混合嵌入流形的传播注意，其应用在节点分类任务上，取得了优于现有模型的效果。

    May, 2023

  • 大规模属性图的归纳表征学习

    本研究提出了一个基于属性随机游走的框架用于推断网络表示学习，该框架可以更广泛地应用于现有的机器学习方法中，并解决了现有方法中节点身份相关性的固有问题。

    Oct, 2017