对抗网络嵌入
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
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
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
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
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
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
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
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
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