ICLROct, 2019

GraphZoom: 一种多层谱方法，用于精确和可伸缩的图嵌入

PDF
TL;DR本文介绍了一种名为 GraphZoom 的多层框架，旨在提高无监督图嵌入算法的准确性和可扩展性。该方法利用节点属性和图拓扑信息进行图合并，并通过多次缩小并简化合并的图，将现有嵌入方法应用于合并后的图，从而在多种图数据集上达到更高的分类准确性和更快的处理速度。
graphzoomgraph embeddingnode attributescalabilityaccuracy
发现论文，激发创造
  • 基于图滤波的可扩展多视图聚类

    本文提出了一种用于聚类属性和图数据的通用框架，该框架能够探索特征和结构之间的相互作用，并具有图过滤和采样策略等优势，同时在属性和图基准测试上的实验证明了其优越性。

    May, 2022

  • MS-IMAP -- 一个用于可解释流形学习的多尺度图嵌入方法

    本文介绍了一种基于谱图小波的多尺度图网络嵌入框架，采用对比学习方法，从复杂的高维数据中得出有意义的表示，从而在无监督设置下对各种机器学习应用具有重要意义。

    Jun, 2024

  • 属性多关系图的谱聚类

    提出了一种针对属性和多关系网络的联合降维技术 SpectralMix，该方法通过综合利用属性、关系类型和图结构的信息，实现对聚类结果的解释，并在实际数据集上展现了其优越性。

    Nov, 2023

  • 图增强聚类网络

    该研究提出了一种新颖的图增强聚类网络，通过自适应增强初始图的方法，能够实现更好的聚类性能，实验结果表明该方法在六个基准数据集上的表现优于现有的几种先进方法。

    Nov, 2022

  • 高维多重网络嵌入的层次聚合

    我们提出了 HMGE，一种基于分层聚合的高维多重图嵌入方法，通过学习图维度的分层组合和在每个层次进行嵌入的方式，揭示了多重图维度中隐藏的复杂信息和潜在结构，并通过局部补丁和全局摘要之间的互信息最大化来训练模型以捕捉图中处于不同位置但具有全局相关信息的能力。通过在合成和现实世界数据上进行的详细实验，我们证明了我们的方法在链接预测和节点分类等下游有监督任务中的适用性。

    Dec, 2023

  • 高维数据降维的层次最近邻图嵌入方法

    提出了一种基于层次结构的 1 - 最近邻图的新方法，可以在保留数据分布多个级别的分组属性的同时，实现具有可解释机制、可视化品质高、运行速度快且可用于多种场景的非监督降维技术，并在不同规模、不同维度的多个数据集上进行了性能比较。

    Mar, 2022

  • 稀疏分层图分类器的研究

    本文探讨了如何在图形分类中利用图卷积网络（graph convolutional networks）进行节点嵌入（node embeddings）、不可区分形式学习（representation learning）和不可区分形式学习（differentiable graph coarsening），并且没有牺牲稀疏性，为未来基于图形的神经网络研究指出了重要方向。

    Nov, 2018

  • 分层注意成员图嵌入

    本研究提出了一种基于邻域组织的层次化关注成员模型，用于图嵌入，通过引入结构约束，由上至下地捕获了一种良好定义的层次结构，实现了节点分类和链接预测任务的指标优于当前先进技术图嵌入解决方案，表明隐含群组和成员资格的概念在图嵌入学习中具有快速发展的潜力。

    Oct, 2021

  • 多视角谱聚类的多图融合

    本文提出了一种新的多视图谱聚类模型，该模型可以同时进行图融合和谱聚类，以挖掘多视图数据中的异质信息和显式聚类结构，进而打破现有算法在多视图数据中的局限性。

    Sep, 2019

  • 图的深度高斯嵌入：通过排名进行无监督归纳学习

    Graph2Gauss 是一种利用高斯分布表示节点，可以快速有效地在大规模（带属性）图上学习多功能节点嵌入，并且优于现有的方法，在网络分析和不同类型的图上都适用的无监督学习方法。

    Jul, 2017