对抗网络嵌入

AAAINov, 2017

Adversarial Network Embedding

Quanyu Dai, Qiang Li, Jian Tang, Dan Wang

TL;DR本文提出了一种基于生成对抗网络的对抗网络嵌入（ANE）框架，它通过捕捉网络结构特性和匹配潜在表示的后验分布以提高鲁棒性，可以用于节点分类、链接预测和网络可视化等任务，并在基准数据集上取得了竞争性或优异的表现。

Abstract

Learning low-dimensional representations of networks has proved effective in a variety of tasks such as node classification, link prediction and network visualization. Existing methods can effectively encode different structural properties into the representations, such as neighborhood connectivity patterns, global structural role similarities and other high

network embeddings generative adversarial networks latent features structural properties robust representations

发现论文，激发创造

网络嵌入的对抗训练方法

本文主要介绍了如何使用经过改进的对抗训练方法来解决网络嵌入过程中的过拟合问题，最终取得了较好的模型健壮性和泛化性能，并从节点分类和链接预测两个方面评估了模型的有效性。

Aug, 2019

采用对抗训练方法学习图嵌入

该论文提出了一个新的对手正则化框架来进行图嵌入，通过对手正则化的方法来保证所得到的隐藏代码满足先验高斯或均匀分布，之后得到两个 Adversarially Regularized Graph Autoencoder (ARGA) 和 Adversarially Regularized Variational Graph Autoencoder (ARVGA) 的变种来学习图嵌入，实验表明我们的方法在链接预测和图聚类中执行良好。

Jan, 2019

GANE: 生成对抗网络嵌入

本文提出了一种使用基于对抗生成网络的方法进行网络嵌入的模型，通过引入 Wasserstein-1 距离和三种不同的变体来解决无监督学习和有监督学习之间的鸿沟，实现在低维嵌入向量空间中保留网络中的第一和第二阶接近度，实验结果表明，在链接预测、可视化和聚类任务中，我们的模型始终优于现有技术，并有显著的改进。

May, 2018

对抗正则化的图自编码器用于图嵌入

本文提出一种新颖的对抗性图嵌入框架用于图形数据，该框架通过编码图形的拓扑结构和节点内容到紧凑表示，进而训练一个解码器重构图形结构，并通过对抗性训练方案强制将潜在表示匹配到先验分布，两种对抗性方法的实验研究表明，其在实际图形计算任务中击败基线算法。

Feb, 2018

网络嵌入的对抗训练优化视角理解与改进

本文从优化的角度理论上解释了 Adversarial Training for Network Embedding 的优秀结果，提出了新的激活函数，通过在四个真实网络上的实验验证表明该方法在节点分类和链接预测任务中优于现有的基线方法。

May, 2021

学习动态环境下的带属性网络嵌入

本研究提出了一种新的动态属性网络嵌入框架 ——DANE，该框架采用了一种离线方法来达成共识嵌入，然后利用矩阵扰动理论来在在线方式下保持末状态的新鲜度。

Jun, 2017

通过图毒化对节点嵌入进行对抗攻击

本研究针对网络表征学习方法中基于随机游走的广泛使用问题，提供了首个对其鲁棒性的对抗性漏洞分析，提出有效的对抗性扰动对网络结构造成了负面影响，并证明本研究提出的攻击是可迁移的。

Sep, 2018

内容增强网络表示学习的通用框架

本文研究网络嵌入的问题，提出了内容增强网络嵌入 (CENE) 的方法，该方法能够联合利用网络结构和内容信息，并通过将内容信息视为特殊节点来将文本建模和结构建模集成在一个通用框架中，试验结果表明，该模型在节点分类应用中胜过其他所有现有的网络嵌入方法，充分证明了内容信息和联合学习的优点。

Oct, 2016

GraphGAN: 生成对抗网络用于图形表示学习

该论文提出了 GraphGAN，一种结合生成模型和判别模型的图形表示学习框架，其中两个模型玩一个博弈论最小最大化游戏来提高它们的性能，同时还提出了一种新的图形 softmax 来克服传统 softmax 函数的局限性。在真实世界的数据集上广泛实验表明，GraphGAN 在各种应用中都比现有技术取得了实质性的收益，包括链接预测、节点分类和推荐。

Nov, 2017

跨网络节点分类的对抗深度网络嵌入

本文介绍一种基于对抗性领域适应的深度网络嵌入模型，旨在实现跨网络节点分类。该模型利用两个特征提取器来保留节点之间的属性相似性和拓扑关系，并采用节点分类器和对抗性领域适应技术来使节点表示网络不变和有较好的标签判别能力。实验结果表明，该模型在跨网络节点分类问题上达到了最先进的表现。

Feb, 2020