Nov, 2019

使用随机特征的可扩展全局对齐图内核：从节点嵌入到图嵌入

HTML
PDF
TL;DR本文提出了一种新的全局对齐图核算法，该算法利用几何节点嵌入和基于 Earth Mover's distance 的关联节点传输，得到的图嵌入称为“随机图嵌入（RGE）”，可以通过定义在随机图上的分布自然地产生随机特征近似，实验结果表明 RGE 超越或匹配了十二个最先进的图分类算法。
发现论文，激发创造
  • 基于随机游走回程概率的图核函数

    提出基于随机游走返回概率的图核计算框架，使用各种节点属性进行有效利用，并在广泛的图分类实验中证明了其显著优越性。

    Sep, 2018

  • 图内核调查

    本研究总结了过去 15 年中用于核心基础图分类问题的技术，并在一系列基准测试和新数据集上对几种热门核进行了性能比对，发现对于某些数据集，简单的基准测试经过高斯 RBF 核转换后可以得到竞争性的结果；此外，还对现有的图核进行了实证研究，并据此得出了一个从数据角度出发的核分类方案。最后，基于实验结果，本文为核基础图分类提供了从实践角度出发的指南。

    Mar, 2019

  • DDGK: 为深度分歧图核学习图表示

    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。

    Apr, 2019

  • 图内核: 一份综述

    这篇综述文章介绍了在结构化数据学习中，图核函数及其相关发展十分引人瞩目和广泛应用。文章总结了近二十年来发展出的几十种图核函数，介绍了图核函数在社交网络及生物信息学等领域的成功应用，并提供了一些有关图核函数的应用和挑战的讨论。

    Apr, 2019

  • 基于多尺度图嵌入的图核

    本文提出了一种新型图核心方法，称为多尺度路径结构图核心方法（MPG），它考虑了子结构的分布和不同尺度的图结构，并使用Wasserstein距离计算相似度，实验结果表明其性能超越了现有方法。

    Jun, 2022

  • 通过联合结构学习和最优传输实现强韧属性图对齐

    本论文提出了SLOTAlign——一个无监督的图对齐框架，将图对齐转化为两个矩阵间的最优运输问题，结合多视图结构学习增强了图表示能力并减少了图之间继承的结构和特征不一致性的影响，在六个无监督图对齐数据集和DBP15K知识图谱对齐基准数据集上的实验表明，SLOTAlign表现出卓越的性能和最强的鲁棒性。

    Jan, 2023

  • 用随机特征驯服图核函数

    本文介绍了图随机特征（GRFs）的机制，并对其进行了理论和实证分析。GRFs可以用于构建基于图节点定义的多个重要核函数的无偏随机估计器。相比传统的图核函数算法，GRFs具有显著的计算性能。此外，GRFs还提供了一种简单的分布式算法以及其改进版本q-GRFs来优化GRFs的方差，尤其适用于解决具有正对称矩阵的线性方程组。

    Apr, 2023

  • 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

  • 基于优化传输和嵌入方法的无监督图对齐中提供更多表达性

    无监督图对齐通过仅利用图结构和节点特征确定带属性图的一对一节点对应关系。我们提出一种名为CombAlign的模型框架，将计算节点表示并匹配近似嵌入的方法与确定最优传输的Gromov-Wasserstein学习相结合，通过特征转换、基于嵌入的启发式方法和优化权重匹配的约束，逐步优化节点对齐，实验证明在对齐准确性上较现有方法显著改进。

    Jun, 2024

  • 探讨图表示中的一致性：从图核到图神经网络

    本研究解决了图神经网络（GNN）在捕捉图之间一致性相似性关系方面的问题。我们提出了一种新颖的方法，通过比较图核方法与GNN的消息传递过程，提出了一种一致性损失，以确保不同层次的图表示之间的相似性一致性，从而显著提升图分类性能。研究结果表明，这种一致性在图表示学习中至关重要。

    Oct, 2024