WWWApr, 2019

DDGK: 为深度分歧图核学习图表示

PDF
TL;DR本文提出了 Deep Divergence Graph Kernels 这种无监督的方法，可以学习表示图形相似性，对齐子结构，不依赖监督、领域特定知识或已知节点对齐，并取得了具有竞争力的图分类任务结果。
neural networksgraph similarityunsupervised learningattention networkgraph classification tasks
发现论文，激发创造
  • 深度分层图对齐核

    通过深层次图对齐核（Deep Hierarchical Graph Alignment Kernels）解决了图卷积核函数在分解图形成非同构子结构并进行比较时忽视隐含相似性和拓扑位置信息所限制性能的问题，理论分析保证了该方法在复制核希尔伯特空间中为半正定且具有线性可分性，在各种基准数据集上与最先进的图卷积核函数进行比较证明了 DHGAK 的有效性和高效性。

    May, 2024

  • 异质深度图卷积网络

    本文提出了一种基于信息理论的非监督图神经网络方法，即异构深度图 Infomax（HDGI），用于解决异构图的特征提取与表示问题，利用本地 - 全局互信息最大化捕获高级节点表示，并在分类和聚类任务上取得优秀的表现。

    Nov, 2019

  • 深图信息最大化

    Deep Graph Infomax 提出了用于无监督学习图结构数据中节点表示的一般方法，可用于节点分类任务，并且相比大多数先前的方法，不依赖于随机游走目标。

    Sep, 2018

  • 深度对比图学习与聚类导向引导

    基于图卷积网络，提出了深度对比图学习模型（DCGL），用于一般数据聚类。该模型通过建立伪孪生网络，将自编码器与图卷积网络相结合，强调图结构和原始特征，并引入特征级对比学习来增强判别能力，利用样本与质心之间的关系作为聚类导向指引。然后，设计了双分支图学习机制来提取局部和全局结构关系，并在聚类级别对比指导下将其嵌入到统一的图中。在几个基准数据集上的实验结果表明，DCGL 相对于现有算法具有优越性。

    Feb, 2024

  • graph2vec：学习图的分布式表示

    本研究提出了一种名为 Graph2vec 的神经嵌入框架，用于学习任意大小的图的数据驱动分布式表示。该模型可以应用于图分类、图聚类等下游任务，并取得了显著的性能提升。

    Jul, 2017

  • 分层拓扑同构专业嵌入的图形对比学习

    通过引入知识蒸馏，我们提出了一种新颖的层次化拓扑同构专家嵌入图对比学习方法，用于增强 GCL 模型学习层次化拓扑同构专业知识，包括图层和子图层。与传统的 GCL 方法相比，我们的方法在贝叶斯分类错误上获得更紧的上界，并在真实世界基准测试中表现出了超越候选 GCL 方法的性能优势。

    Dec, 2023

  • 生成 Doppelganger 图：类似但不同

    本文提出了一种生成重影图的方法，该图与给定图在许多图属性上相似，但难以用于反向工程，这种方法是图表示学习，生成的对抗网络和图实现算法的组合。通过与几个图生成模型的比较，我们证明了我们的结果几乎不能复制给定的图，但却与其属性密切匹配。我们进一步展示，对于生成的图进行节点分类等下游任务时，其性能类似于使用原始图的性能。

    Jan, 2021

  • 无图知识蒸馏用于图神经网络

    本文提出了一种被称为无图知识蒸馏（GFKD）的方法，通过建模多元伯努利分布来学习知识传输的图拓扑结构，并使用梯度估计器来优化该框架，该方法适用于处理不同拓扑结构的非网格数据。经过广泛的实验，GFKD 实现了从 GNN 中蒸馏知识的最先进性能，无需训练数据。

    May, 2021

  • 深度图相似性学习：综述

    本文对深度图相似性学习的现有文献进行了综述和分类，讨论了方法和应用的挑战和未来方向。

    Dec, 2019

  • 基于伪标签引导的互信息最大化网络的深度图聚类

    本文提出了一种叫做 Deep Graph-Level Clustering (DGLC) 的算法，通过图同构网络学习图的表示来解决图的相似性度量问题和图的划分问题，并在六个基准数据集上展示出了其与现有算法相比具有领先的性能。

    Feb, 2023