我们提出了一种基于多视图 GNN 和对比学习的方法,用于对多模态脑网络进行分析,并通过在两个现实疾病数据集上的实验证明了该方法的有效性。
Jul, 2021
提出了简单的概率多视图图嵌入(PMvGE)框架,用于多视图特征学习,结合了对多对多关联和非线性特征转换的模拟,证实 PMvGE 可学习视图间宽类相似度测量,且效果显著。
Feb, 2018
本研究提出一种新颖的生成对抗网络框架,即 MEGAN,用于多视角网络嵌入,通过保留多视角网络的信息并考虑它们之间的相关性,通过节点分类、链接预测和可视化任务的实验表明,该方法的表现优于现有的方法。
Aug, 2019
本文提出了一种多视角网络嵌入方法 MANE,旨在通过多样性和协作来促进多个关系视角的合作,实现更优秀的节点表征,实验证明 MANE 在公开的多视角网络数据集上,优于现有的嵌入方法。
May, 2020
通过将三种方法(网络聚合,结果聚合和层共分析)应用于多层网络,我们将其投影到连续的向量空间中,并通过评估验证了其中一种方法(层共分析)在大多数数据集上的表现优于常规链接预测方法。
Sep, 2017
本文研究了多视角网络内嵌的优化目标,并通过 mvn2vec 算法在合成数据集、内部数据集和公共数据集上的实验证实,同时模拟保护和协作两个目标可以获得更好的内嵌质量。
Jan, 2018
我们提出了 HMGE,一种基于分层聚合的高维多重图嵌入方法,通过学习图维度的分层组合和在每个层次进行嵌入的方式,揭示了多重图维度中隐藏的复杂信息和潜在结构,并通过局部补丁和全局摘要之间的互信息最大化来训练模型以捕捉图中处于不同位置但具有全局相关信息的能力。通过在合成和现实世界数据上进行的详细实验,我们证明了我们的方法在链接预测和节点分类等下游有监督任务中的适用性。
Dec, 2023
该研究提出了一种学习多个图节点表示的方法,该方法基于一个本地社区的原则性分解来编码节点的角色,并展示了在多种图形上联合预测任务中的最新成果,从而减少了 90% 的错误率,同时还显示出这些嵌入允许了对学习社区结构的有效视觉分析。
May, 2019
本文提出了一种新颖的深度部分多重网络嵌入方法,利用自编码器神经网络,共同的潜在子空间学习和图 Laplacian 的方法学习网络嵌入,以处理不完整的多重数据,并在节点分类,链接预测和聚类任务中展示了卓越的性能。
Mar, 2022
该研究论文介绍了一种新的模型 MNGL(Multi-state Network Graphical Lasso),通过将 CGL(coherent graphical lasso)与 GMM(Gaussian Mixture Model)相结合,成功地建模了多状态脑网络,通过使用合成和真实的 ADHD 200 fMRI 数据集,证明 MNGL 比最新的最先进替代方案发现更多解释性和逼真的结果。
Nov, 2023