Feb, 2018

MILE: 可扩展图嵌入的多级框架

HTML
PDF
TL;DR本文提出了MultI-Level Embedding (MILE)框架，使用混合匹配技术将大型图形渐进细化为规模较小的图形，然后使用现有图嵌入方法对最粗略的图形进行嵌入，并通过学习的图卷积神经网络将嵌入细化到原始图形上，以实现图形嵌入在节点分类任务中的计算速度提升和嵌入质量优化，并且可以轻松地适用于具有数百万节点和数十万边的大型图形。
发现论文，激发创造
  • 图嵌入技术、应用及性能：一项调查

    本文综述了图嵌入技术的各种方法，介绍了三个不同的分类方法的代表性算法，并分析了它们在不同任务上的表现。文章最终结论是提出了一些潜在的应用和未来方向，并介绍了一个名为GEM的Python库，其中提供了所有介绍的算法作为一个统一的接口，以促进和便利这个领域的研究。

    May, 2017

  • 图的深度高斯嵌入：通过排名进行无监督归纳学习

    Graph2Gauss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。

    Jul, 2017

  • 图表示学习：方法与应用

    本文综述了在图表示学习领域中，基于深度学习和非线性降维等技术的自动编码图结构为低维向量方法，包括基于矩阵分解、随机游走、图神经网络等方法，并开发了一个统一框架描述这些最新的方法，并为未来的工作提出了一些重要应用和方向。

    Sep, 2017

  • 基于图度量嵌入的快速图算法

    本文介绍一种学习图嵌入的简单、有效方法，通过密集向量表示来近似节点之间的距离，以反映用户定义的图距离度量，避免了直接在图结构上进行操作引起的低效性，证明该方法在语义相似性和词义消歧任务上的表现比其他图嵌入方法更优秀，同时在WordNet和两个知识库图上进行了评估。

    Jun, 2019

  • GraphZoom: 一种多层谱方法，用于精确和可伸缩的图嵌入

    本文介绍了一种名为GraphZoom的多层框架，旨在提高无监督图嵌入算法的准确性和可扩展性。该方法利用节点属性和图拓扑信息进行图合并，并通过多次缩小并简化合并的图，将现有嵌入方法应用于合并后的图，从而在多种图数据集上达到更高的分类准确性和更快的处理速度。

    Oct, 2019

  • 图上的机器学习：模型和综合分类

    本文提出一种名为 GRAPHEDM 的综合方法，旨在将有标注数据的网络嵌入、基于图的正则化神经网络和图神经网络三者统一起来，构成一种用于学习图表征的完整分类法。通过将现有的30多种算法整合到这一框架中，本方法具有很高的通用性，从而提供了理解这些方法背后的直觉基础，促进了此领域未来研究的发展。

    May, 2020

  • Marius: 在单机上学习大规模图嵌入

    提出了一种名为 Marius 的系统，用于在单台机器上训练大规模图的嵌入向量，利用分区缓存和缓冲区感知数据排序减少磁盘访问和优化数据移动，并在多种基准测试中表现出比现有工业系统高十倍的效率和可扩展性。

    Jan, 2021

  • 评估和解释图的结构节点嵌入的非监督框架

    本文提出了一种无监督排序结构化图嵌入的框架，分析了结构化嵌入的特性和被嵌入的预定义节点特征，以达到提高解释性的目的。

    Jun, 2023

  • 巨大的：使用TPU实现大规模无监督图嵌入

    图嵌入是网络理解的常用方法，本论文提出了一种基于 Tensor Processing Units 的高性能图嵌入架构，能够解决大规模图的嵌入问题，并通过真实和合成的大规模数据集验证了嵌入空间的质量。

    Jul, 2023

  • 图顶点嵌入：距离、正则化和社区检测

    本文研究图嵌入的质量以及其在社区检测方面的有效性，通过使用灵活的距离函数捕捉不同顶点之间的拓扑距离，将顶点嵌入作为距离矩阵的变换结果进行分析，并在多个基准数据集上进行评估。结果表明，该方法操作于降维表示，使得计算复杂度大为减少，且性能与传统算法相媲美。

    Apr, 2024