Oct, 2019

关于位置节点嵌入和结构化图表示之间的等价性

PDF
TL;DR该研究提出了第一个统一的理论框架，将节点嵌入和结构图表示相结合，通过不变量理论证明了结构表示和节点嵌入之间的关系，证明了能够使用节点嵌入执行的所有任务也都可以通过结构表示执行，并且介绍了新的指南来生成和使用节点嵌入，修复了现有标准操作程序的显著缺点。
发现论文，激发创造
  • 探究和评估结构节点嵌入

    本研究探讨基于节点等价性的结构嵌入技术，并提供了严谨的内在和外在评估方法，发现节点邻域度数分布可以成为简单却有效的基准，并希望这些发现能够影响节点嵌入方法的设计并促进更全面和公正地评估结构嵌入方法。

    Jan, 2021

  • 节点邻近性是必要的：统一的结构和位置节点以及图嵌入

    本篇论文介绍了 PhUSION，这是一种用于计算结构和位置节点嵌入的基于接近度的统一框架，通过聚合节点嵌入，得到模拟先前的图特征学习和核方法丢失信息的图层次特征，主要适用于节点和图层次的机器学习。

    Feb, 2021

  • 评估和解释图的结构节点嵌入的非监督框架

    本文提出了一种无监督排序结构化图嵌入的框架，分析了结构化嵌入的特性和被嵌入的预定义节点特征，以达到提高解释性的目的。

    Jun, 2023

  • 具有可学习的结构和位置表示的图神经网络

    本文提出了一种新的 GNN 网络架构 LSPE，通过引入可学习的位置编码对节点的结构表达和位置表达进行解耦，应用在分子数据集上的实验结果表明 LSPE 能显著提高模型性能。

    Oct, 2021

  • word2vec, node2vec, graph2vec, X2vec: 结构化数据的向量嵌入理论

    该研究探讨了图形和关系结构的矢量表示，以及生成这些表示的方法。作者提出了两种理论方法来理解矢量嵌入的基础，并建议未来的研究方向。

    Mar, 2020

  • 关于非属性图上基于位置和结构节点的图神经网络特征

    本文介绍了两种构建人工节点特征的类型，包括位置和结构节点特征，并提供了对于每一种任务，即位置节点分类、结构节点分类和图分类，为什么每种节点特征更加适合的见解。此外，通过在 10 个基准数据集上进行广泛实验，验证了我们的洞察力，从而为非属性图上的 GNN 不同人工节点特征之间的选择提供了实用指南。

    Jul, 2021

  • 更强大的图神经网络：等变稳定位置编码

    本文讨论了使用位置编码技术来改进图神经网络在节点集合任务中预测的问题，并提出了一种被称为 PEG 的类 GNN 层，它使用单独的通道更新原始节点特征和位置特征。PEG 同时对原始节点特征施加排列等变性质，并对位置特征施加 O（p）等变性质，其中 p 是使用的位置特征的维度。在 8 个真实世界网络上的广泛链接预测实验表明，PEG 在泛化和可伸缩性方面具有优势。

    Mar, 2022

  • 使用偏差图观测的无偏图嵌入

    本文提出了一种从不受敏感结点影响的无偏图学习结点嵌入的新方法，实现无偏图嵌入的两种方法通过理论和实验的对比表明其有效性。

    Oct, 2021

  • 经典图结构特征在社区标记上胜过基于因式分解的图嵌入方法

    本研究分析并探讨了基于单节点低维度向量嵌入模型的无监督图表示学习方法在节点对社群标记任务方面的表现，发现相对于经典的基于结构特征的模型，该类模型表现较差且在实践中结果不够稳定，因而在捕获社群结构方面存在局限性。

    Jan, 2022

  • 图神经网络能在随机图上计算哪些函数？位置编码的作用

    本文旨在加深对大型图上图神经网络（GNNs）的理论理解，特别是着重于它们的表达能力。通过对等变 GNNs 生成的函数空间进行更完整和直观的描述，我们强调了输入节点特征的作用，并研究了节点位置编码（PEs）的影响，这是最近一项在实践中表现出卓越成果的研究。通过对大型随机图的 PEs 的研究，我们将先前已知的普适性结果扩展到了更为普遍的模型，同时提出了一些规范化技巧，这在合成和实际数据上得到了正面的验证。

    May, 2023