Aug, 2019

通过非常稀疏的随机投影快速而精确地嵌入网络

PDF
TL;DRFastRP 是一种用于学习图中分散式节点表示的可扩展和高性能算法，其构建了捕捉图中传递关系的节点相似度矩阵，利用非常稀疏的随机投影进行维度缩减，并迭代计算节点嵌入，从而达到了与 DeepWalk 和 node2vec 相当甚至更好的性能。
发现论文，激发创造
  • 迭代随机投影的十亿级网络嵌入

    RandNE 是一种用于处理百亿级网络的、高效的、无误差聚合的网络嵌入方法，它采用高斯随机投影和迭代投影来实现低维嵌入空间的构建，并具有良好的分布式计算性能和动态网络更新能力。

    May, 2018

  • InstantEmbedding: 高效的节点本地表示

    本文介绍了一种高效的用于生成单节点表示的方法 InstantEmbedding，并进行了理论证明和大规模实验，结果表明其比传统方法需要的计算时间少 9000 倍以上，同时其所生成的表示具有很高的质量。

    Oct, 2020

  • REFINE: 随机范围网络嵌入寻找器

    该论文提出了一种名为 REFINE 的算法，该算法利用随机矩阵分解技术对庞大的节点进行嵌入，以提高网络表示的效率和准确性。该算法基于跳字模型，使用正交约束和矩阵分解技术，使用随机阻塞 QR 分解快速获得节点表示。此外，该算法还设计了一种简单但有效的谱滤波器，用于提高节点表示的高阶信息。实验表明，REFINE 在不同规模的数据集上（从数千到数百万个节点 / 边）进行节点分类是非常有效的，并显示出良好的性能。

    Aug, 2021

  • 基于重新加权的个性化 PageRank 的大规模同构网络嵌入

    本文介绍了一种针对海量图形的基于节点重加权 PageRank（NRP）的同质网络嵌入方法。经实验证明，与现有的 18 种解决方案相比，NRP 在链接预测、图形重建和节点分类方面的效果更好，且速度更快。

    Jun, 2019

  • SpectralNet 的随机投影树相似度度量

    本研究利用神经网络分离数据内嵌，提出了一种基于 rpTree 相似性度量的 SpectralNet 相似性度量方法来进行图聚类，实验证明，与基于距离度量的 $k$-nn 图相比，基于 rpTrees 的 SpectralNet 能够获得更好的聚类准确性。

    Feb, 2023

  • 使用随机游走的稀疏近似进行网络嵌入

    提出一种基于交通时间的网络嵌入的高效数值实现，使用扩散小波算法得到的网络上的扩散过程的稀疏逼近。通过随机梯度下降法，并对绿函数的低维表示进行采样，计算节点嵌入，并通过多个示例展示了该方法在数据聚类和多标签分类方面的有效性，并比较了其在效率和准确性方面相对于现有方法的性能。还讨论了理论问题来证明该方案的合理性。

    Aug, 2023

  • 通过稀疏转置接近度可扩展的图嵌入

    本文研究了在有向和无向图上进行图嵌入技术的基础方法和存在的问题，提出了一个新的方法叫做转置接近度，以解决现有方法无法保持有向图外度分布和无向图优化目标冲突的问题，并且展示了该方法在各种图嵌入算法中的高效性和优越性。

    May, 2019

  • 基于图度量嵌入的快速图算法

    本文介绍一种学习图嵌入的简单、有效方法，通过密集向量表示来近似节点之间的距离，以反映用户定义的图距离度量，避免了直接在图结构上进行操作引起的低效性，证明该方法在语义相似性和词义消歧任务上的表现比其他图嵌入方法更优秀，同时在 WordNet 和两个知识库图上进行了评估。

    Jun, 2019

  • 高效异构图学习通过随机投影

    我们提出了一种名为 RpHGNN 的混合预计算型异构图神经网络，它将一种风格的效率与另一种风格的低信息损失相结合，通过引入随机投影压缩步骤和关系化邻居收集组件，在七个小型和大型基准数据集上获得了最先进的结果，并比大多数有效的基准方法快 230％。

    Oct, 2023

  • 通过低秩非对称投影学习边缘表示

    本文提出了一种新的无向图嵌入方法，通过建模节点的连边函数，并结合从随机游走中抽样的信息，对图的联通结构进行表达，从而提高了学到的嵌入空间的表现和空间效率。该方法在社交网络、蛋白质相互作用等数据集上均取得了较好的表现。

    May, 2017