Nov, 2017

GraphGAN: 生成对抗网络用于图形表示学习

HTML
PDF
TL;DR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。
发现论文，激发创造
  • NetGAN：通过随机游走生成图形

    NetGAN是第一个用隐式生成模型来模拟真实网络的方法，通过学习偏置随机游走在输入图上的分布来生成图形。该方法基于生成离散输出样本的随机神经网络，并使用Wasserstein GAN目标进行训练。尽管未经过特意训练，NetGAN在链路预测性能方面表现出强大的泛化能力。

    Mar, 2018

  • 基于生成对抗网络的图半监督学习

    研究使用生成式对抗网络来帮助半监督图学习，提出GraphSGAN方法，在该方法中，生成器和分类器网络进行竞争性博弈，生成器通过在子图之间的低密度区域生成假样本来平衡，分类器通过隐式考虑子图密度属性来区分真实样本和假样本。实验结果表明，GraphSGAN显著优于几种现有方法。

    Sep, 2018

  • 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

  • 标记图生成对抗网络

    本研究提出了一种名为LGGAN的有标签图生成对抗网络，用于训练基于节点标签的图结构数据的深度生成模型，并在各种类型的图数据集上进行了测试，其结果表明我们的模型可以生成符合训练数据的结构特征的多样化的标记图，并优于所有另一种方法的质量和普适性。此外，经过下游任务进行的生成图的质量评价，结果表明LGGAN可以忠实地捕捉图结构的重要方面。

    Jun, 2019

  • 基于分布的双向生成对抗网络用于图表示学习

    本文提出了一种基于分布感知的双向生成对抗网络（DBGAN）来学习图表示，该网络通过原型学习隐式地桥接了图和特征空间，生成了所有节点的判别性和稳健性表示，并通过双向对抗学习框架平衡了对样本级和分布级一致性，在各种任务中实现了更有利的折衷方案。

    Dec, 2019

  • 图形深度学习简介

    本文介绍了深度学习在图数据处理方面的应用，设计了一种基于局部和迭代方法的图表征学习通用方法，并探讨了研究挑战和应用领域。

    Dec, 2019

  • 一种统一的生成模型用于图学习算法：标签传播、图卷积和组合

    本文提出了一个马尔可夫随机场模型来统一解释半监督学习中的标签传播和图神经网络算法， 并给出了一个新的算法叫做线性图卷积， 在实际数据上表现出色。

    Jan, 2021

  • 生成 Doppelganger 图：类似但不同

    本文提出了一种生成重影图的方法，该图与给定图在许多图属性上相似，但难以用于反向工程，这种方法是图表示学习，生成的对抗网络和图实现算法的组合。通过与几个图生成模型的比较，我们证明了我们的结果几乎不能复制给定的图，但却与其属性密切匹配。我们进一步展示，对于生成的图进行节点分类等下游任务时，其性能类似于使用原始图的性能。

    Jan, 2021

  • 关于使用对抗训练进行图自编码器泛化的研究

    通过在图嵌入方法中使用L2和L1两种形式的对抗训练，在链接预测、节点聚类和图异常检测等三个应用程序中，提高了嵌入模型的泛化能力。

    Jul, 2021

  • 深度图表示学习的综合调查

    本篇综述了目前深度图表示学习算法的最新研究进展，提出了现有技术的新分类法，并探讨了深度图表示学习的实际应用、前景及挑战方向。

    Apr, 2023