该论文提出了一个新的对手正则化框架来进行图嵌入,通过对手正则化的方法来保证所得到的隐藏代码满足先验高斯或均匀分布,之后得到两个 Adversarially Regularized Graph Autoencoder (ARGA) 和 Adversarially Regularized Variational Graph Autoencoder (ARVGA) 的变种来学习图嵌入,实验表明我们的方法在链接预测和图聚类中执行良好。
Jan, 2019
本文提出了一种基于生成对抗网络的对抗网络嵌入(ANE)框架,它通过捕捉网络结构特性和匹配潜在表示的后验分布以提高鲁棒性,可以用于节点分类、链接预测和网络可视化等任务,并在基准数据集上取得了竞争性或优异的表现。
Nov, 2017
本文从优化的角度理论上解释了 Adversarial Training for Network Embedding 的优秀结果,提出了新的激活函数,通过在四个真实网络上的实验验证表明该方法在节点分类和链接预测任务中优于现有的基线方法。
May, 2021
使用对抗训练机制可以更好地规范神经语言模型中的过度拟合问题,增加嵌入向量的多样性并提高在机器翻译领域的性能。
Jun, 2019
本研究针对网络表征学习方法中基于随机游走的广泛使用问题,提供了首个对其鲁棒性的对抗性漏洞分析,提出有效的对抗性扰动对网络结构造成了负面影响,并证明本研究提出的攻击是可迁移的。
Sep, 2018
本文介绍了在文本领域将反对训练和虚拟反对训练应用于使用递归神经网络中的单词嵌入,并在多个基准半监督和纯监督任务上实现了最先进结果。
May, 2016
本文提出了一种基于生成对抗网络和对抗性训练的正则化方法,可以在神经语言模型中防止过拟合,与常见的对抗性训练方法相比,本方法不需要经过时间的二次反向传播,并且其开销不超过基准方法的 20%。
Nov, 2022
本文提出一种新颖的对抗性图嵌入框架用于图形数据,该框架通过编码图形的拓扑结构和节点内容到紧凑表示,进而训练一个解码器重构图形结构,并通过对抗性训练方案强制将潜在表示匹配到先验分布,两种对抗性方法的实验研究表明,其在实际图形计算任务中击败基线算法。
Feb, 2018
通过在图嵌入方法中使用 L2 和 L1 两种形式的对抗训练,在链接预测、节点聚类和图异常检测等三个应用程序中,提高了嵌入模型的泛化能力。
Jul, 2021
本文介绍了对抗训练在解决图神经网络中的结构扰动方面的局限并展示了基于可学习图扩散的灵活图神经网络和针对多节点和全局约束的结构扰动攻击,进一步证明了对抗训练作为对抗性结构扰动的最先进防御手段。
Jun, 2023