ICMLJun, 2018

跳跃知识网络的图形表示学习

PDF
TL;DR该论文探究在图上实现深度学习表示学习的过程，提出了一种新型架构 - jumping knowledge networks（JK 网络），使每个节点可以利用不同的邻居范围以获得更好的结构感知表示，实现了最先进性能。同时，将 JK 框架与 Graph Convolutional Networks、GraphSAGE 和 Graph Attention Networks 等模型相结合，进一步提高了这些模型的性能。
deep learninggraphsrepresentation learningjumping knowledge networksstate-of-the-art performance
发现论文，激发创造
  • 图神经网络中的动态邻居聚合：Just Jump

    本文提出了一种基于多头注意力的动态邻域聚合（DNA）过程，用于图形表示学习，通过选择性和节点自适应聚合来聚合邻域嵌入，以避免过拟合，并控制输入和输出之间的通道连接，通过分组线性投影实现。本方法有效地解决了节点分类问题。

    Apr, 2019

  • 层次和对比表示学习应用于知识感知推荐

    提出了一种面向知识感知推荐的层次化和对比的表示学习框架 HiCON，其中包括层次化消息聚合机制和跨序对比学习，实验表明 HiCON 对现有方法具有显着的优势。

    Apr, 2023

  • k-hop 图神经网络

    本文介绍一种更有效的图神经网络 ——k-hop GNN，该网络可以从一个节点的 k - 跳邻域中汇总信息并识别基本图属性，可用于节点分类和图分类任务，并在标准数据集上取得较好或可比的表现

    Jul, 2019

  • 图神经网络的能力有多强？

    本文提出了一种理论框架来分析图神经网络的表达能力和限制，并阐述了如何有效地捕捉不同的图结构。通过提出的一个简单的架构，实验验证了理论的发现，并取得了最先进的性能。

    Oct, 2018

  • 分散式知識圖譜表示學習

    本文提出了一种去中心化的知识图谱表示学习方法，针对只提供实体关系信息但没有输入特征的情况，通过从实体邻居的嵌入编码实体并设计算法进行知识蒸馏来优化，在实体对齐任务上表现得更好，并在归纳设置下在实体对齐和实体预测任务上优于所有对照实验.

    Oct, 2020

  • 利用实体邻居和深度记忆网络的知识图谱嵌入

    本文提出了一种称为实体邻居的新型附加信息，并使用深度记忆网络模型编码邻居信息。通过引入门控机制，结构和邻居的表征被整合成一个联合表征，实现了知识图谱嵌入（KGE）技术中实体表示的最新技术性能。

    Aug, 2018

  • 图邻域注意池化

    本研究提出了一种名为 GAP 的新型上下文敏感的算法，它使用注意力池化网络在不需要额外特征或社区检测算法的情况下，学习到了在节点邻域不同部分的出现概率，并在真实的数据集上表现出了优秀的表现超过了 10 种流行的最新模型。

    Jan, 2020

  • 知识图谱卷积网络用于推荐系统

    本文提出了 Knowledge Graph Convolutional Networks (KGCN) 的方法，通过在知识图谱上挖掘和利用互相关联的属性来有效地捕捉物品之间的相关性，扩展感受野以建模高阶邻近信息，并将邻居信息与偏差相结合计算给定实体的表示，以优化协同过滤型推荐系统的性能。实验结果表明，该方法在电影、图书和音乐推荐的三个数据集上优于强基线算法。

    Mar, 2019

  • 知识增强的图神经网络

    提出 KeGNN，一种神经符号框架，结合了神经和符号方法，用于图数据的学习，旨在通过添加系统先前知识来提高精度，并通过多个基准数据集的节点分类进行评估。

    Mar, 2023

  • 实体邻域信息和描述信息的联合表示学习方法研究

    通过结合实体邻居信息和描述信息的联合表示学习模型解决编程设计课程中知识图谱嵌入性能较差的问题，实验证明该模型在编程设计课程的知识图谱数据集上表现出优异的性能，超过其他基线模型。

    Sep, 2023