本文使用基于图的半监督学习方法对带属性节点进行分类。通过提出图游走的策略,使用强化学习来实现分类器的最大化精度,使得该方法能够灵活应对不同的归纳或传导学习任务,并且在四种数据集上测试结果表明,该方法胜过当前多种方法。
Oct, 2019
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
该论文提出了一个基于随机游走的图嵌入分析框架,包括三个组件:随机游走过程、相似性函数和嵌入算法,该框架不仅可以分类许多现有方法,而且自然地激发新方法,通过它,我们演示了改进下游任务性能的多个尺度嵌入的新方法。此外,我们还发现,基于自协方差相似性的嵌入,在与点积排名进行链路预测时,比基于点互信息相似性的最先进方法表现提高了多达 100%。
Oct, 2021
本文介绍了使用 Role2Vec 框架基于属性随机游走的方法来在图形数据分析中实现广义深度学习和节点表示学习,并取得了较好的效果和泛化能力。
Feb, 2018
本文介绍了一种基于随机游走的方法来规范编码器学习到的表示,可以使图自编码器在节点聚类和链接预测任务中具有更好的性能表现。
Aug, 2019
本文针对图神经网络进行多个实验,并研究其在节点分类问题中的理论表现。研究结果指出,图注意力机制可以区分类内和类间边缘,重要边的权重得以保留,进而实现完美的节点分类。
Feb, 2022
本论文介绍了带标记的随机游走的概念,以此为基础对现有的一些利用随机游走的算法如 DeepWalk、node2vec 等进行了推广,可适用于传导学习、归纳学习以及具备属性的图形数据,并在多个领域的各种图形上验证了该算法的有效性。
Sep, 2017
在本文中,我们提出了一种新颖的方法,通过采用交替随机游走策略来生成特定角色的顶点邻域,并在相应的源 / 目标角色中训练节点嵌入,以在完全利用有向图的语义的同时,为有向图中的两个不同节点角色维护单独的视图或嵌入空间,成功地解决了先前方法无法对边的定向性进行编码或其编码不能在不同任务中进行推广的问题,并在几个真实世界数据集上展示了我们方法的有效性,我们表明我们的嵌入是稳健,可推广和在多种任务和图表现良好,并且在节点分类任务中始终优于基线模型。
Oct, 2018
本研究提出了一种偏好与相似语义节点相连接的随机游走策略 GlobalWalk,以获取更全局感知的节点嵌入表示。实验证明,该方法可以提高所生成嵌入表示的全局认知度。
Jan, 2022
本文提出了一种结合无监督和有监督学习组成的方法,通过利用 random walk 方法和 Gumbel-Softmax 分布将图节点映射到节点序列,然后使用修改后的 RNN 神经网络单位学习节点表示方法和它们的邻域信息,实验表明该方法优于或与现有算法相当,具有收敛速度快和准确度高的优点。
May, 2018