GraphTSNE:一种用于图结构数据的可视化技术
图分类是一项重要的图结构数据学习任务,我们提出了一种新颖的 Tensor-view 拓扑图神经网络 (TTG-NN),利用持久同调、图卷积和张量运算构建了一种简单而有效的拓扑深度学习方法,能够同时捕捉局部和全局层面上的张量表示和图结构信息。在实际数据实验中,TTG-NN 在各种图基准数据上表现优于其他 20 种最先进的方法。
Jan, 2024
使用图神经网络(GNNs)学习连贯且有区分力的节点表示以进行聚类在深层图聚类中已经显示出了良好的结果。然而,现有方法忽视了表示学习与结构增强之间的相互关系。该研究表明,增强嵌入和结构的协同作用对于释放 GNNs 在深层图聚类中的潜力变得必要。可靠的结构促进获取更连贯的节点表示,而高质量的节点表示可以指导结构的增强,从而提高结构的可靠性。此外,现有基于 GNNs 的模型的泛化能力相对较差。尽管它们在具有高同质性的图上表现良好,但在具有低同质性的图上表现较差。为此,我们提出了一个名为 Synergistic Deep Graph Clustering Network(SynC)的图聚类框架。在我们的方法中,我们设计了一个名为 Transform Input Graph Auto-Encoder(TIGAE)的模型来获取高质量的嵌入,并用于引导结构增强。然后,在增强的图上重新捕捉邻域表示以获得适合聚类的嵌入,并进行自监督聚类。值得注意的是,表示学习和结构增强共享权重,从而大大减少了模型参数的数量。此外,我们引入了一种结构微调策略以提高模型的泛化能力。对基准数据集进行的大量实验证明了我们方法的优越性和有效性。代码已在 GitHub 和 Code Ocean 上发布。
Jun, 2024
本文提出了基于图卷积神经网络的 Graph Learning Network 模型,用于解决社区检测、节点分类、链路预测等任务,并能够学习节点嵌入和结构预测函数。该模型能够递归地提高预测结果和嵌入质量。
May, 2019
本论文提出了一种名为 GTNs 的图转换器网络,能够在图上进行节点表示的学习,同时生成新的图结构以及识别原始图上未连接点之间有用的连接。实验表明,GTNs 有效地生成新的图结构,通过卷积在新图上产生具有强大表现力的节点表示,并在三个基准节点分类任务中取得了最佳表现。
Nov, 2019
本文提出了 GraphSTONE,一种基于 GCN 模型的结构话题神经网络,利用图的主题模型,从概率角度捕获广泛的指示性图结构。同时,通过设计多视图 GCN 统一节点特征和结构主题特征,并利用结构主题来指导聚合,从而达到高效和可解释性。
Jun, 2020
提出了一种拓扑引导的超图变换网络,通过保留结构本质学习图中的高阶关系,设计了简洁而有效的结构和空间编码模块将节点的拓扑和空间信息融入其表示,并提出了一种结构感知的自注意机制,从语义和结构角度发现重要节点和超边。实验证明,所提模型在节点分类任务上的性能始终优于现有方法。
Oct, 2023
通过实验分析,我们探索将图结构作为整体像节点一样进行学习的可行性,并基于我们的发现,提出了一种基于图粗化的多视图图结构表示学习模型(MSLgo)来进行图分类。我们通过层次启发式图粗化压缩循环和团,并通过精心设计的约束进行限制,从而构建了粗化视图以学习结构之间的高级交互。我们还引入线图来进行边嵌入,切换到以边为中心的视角构建转换视图。通过对六个真实数据集的实验,证明了 MSLgo 在多种架构上超过了 14 个基线的改进。
Apr, 2024