IJCAIApr, 2019

基于图 - 图距离的无监督归纳图级别表示学习

PDF
TL;DR提出一种新的图级表示学习方法 —— 将整个图形嵌入到一个向量空间中，其中两个图形的嵌入保持其图形 - 图形的关联性。UGRAPHEMB 是一种通用框架，提供了一种全面的无监督和归纳式图级嵌入方法。 通过多尺度节点关注（MSNA）提出一种新的图级嵌入生成机制。在五个真实图形数据集上进行的实验表明，UGRAPHEMB 在图分类、相似性排名和图形可视化任务中具有竞争力的准确性。
graph-level representation learninggraph embeddingsneural networksunsupervised learninginductive learning
发现论文，激发创造
  • 大型图上的归纳表示学习

    该研究提出了一种通用的归纳框架 GraphSAGE，可以利用节点特征信息生成节点嵌入，不需要进行所有节点的嵌入训练，同时利用邻域采样和聚合特征来学习生成节点嵌入的函数。该算法在三项归纳节点分类基准测试中表现出色，具有很好的泛化性能。

    Jun, 2017

  • 使用循环神经网络学习图级表示

    本文提出了一种结合无监督和有监督学习组成的方法，通过利用 random walk 方法和 Gumbel-Softmax 分布将图节点映射到节点序列，然后使用修改后的 RNN 神经网络单位学习节点表示方法和它们的邻域信息，实验表明该方法优于或与现有算法相当，具有收敛速度快和准确度高的优点。

    May, 2018

  • 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

  • 在相似性图上学习基于语境的单词含义表示

    本文提出了一种新的方法来学习基于视觉的单词含义表示，即在底层模态特定的词语表示上建立相互通信的图形，通过模拟人类相似性判断和概念分类来验证其能力，名为分层多模态相似性图嵌入（HM-SGE）。

    Sep, 2021

  • 无监督图学习中的非向量空间词嵌入

    本文介绍了一种用于学习单词表示的无监督图形表示方法，通过使用最短路径距离，将每个单词视为带权图中的节点，并表明比传统的向量表示方法更好地表现出单词的相似性和类比任务。

    Oct, 2020

  • 通过关系图进行归纳式知识图谱嵌入的 InGram 算法

    本文提出一种名为 InGram 的机器学习方法，该方法能够在推理时生成新实体和新关系的嵌入向量，通过引入注意力机制和关系图来整合邻居节点的嵌入向量，并在多种归纳学习场景中取得了优于 14 种现有方法的效果。

    May, 2023

  • 属性图中的图表示学习：基于语义随机游走的方法

    该研究聚焦于属性图中的图表征学习（即网络嵌入）。与现有的嵌入方法不同，我们提出了一种新颖的语义图表征（SGR）方法，将两个异构源的联合优化结合到一个基于公共高阶接近度的框架中，以全面编码原始图中节点和属性之间的复杂同构和异构关系。我们证明，SGR 对于一系列实际图表现出了卓越的性能，成为了其他基线的有效替代方案。

    May, 2023

  • 超越同质性的多视图图形表示学习

    该研究提出了一个多视角方法和多样化预文本任务引入的框架，即 Multi-view Graph Encoder (MVGE)，以捕捉图形中的不同信号，并在合成和现实数据集上进行了广泛实验，并显示出显着的性能改进。

    Apr, 2023

  • InfoGraph：利用互信息最大化进行无监督和半监督图级表示学习

    本文研究无监督与半监督情境下，学习整个图的表示。通过最大化不同规模子结构（例如节点，边和三角形）的表示和图表示之间的互信息，提出了名为 InfoGraph 的图级表示学习方法。InfoGraph 优于现有的竞争基线。同时，我们还提出了一个名为 InfoGraph * 的扩展，主要用于半监督学习。

    Jul, 2019

  • 基于分层超边嵌入的团体推荐表示学习

    本文提出了一种基于超边嵌入的层次化组推荐算法 HyperGroup，在考虑群组内部成员相似性，通过利用用户间的交互信息来解决用户关系稀疏性问题，同时结合 GNN 实现个人与群组的表示学习，通过构建超图和超边嵌入技术，增强了群组内的相似性，在两个真实数据集上的实验结果证明了该算法的优越性。

    Mar, 2021