本文提出了一种名为 Dis-HGCN 的解缰离散超几何异构图卷积网络,旨在通过独立的信息传播来解缰语义特征和结构特征,以及通过超几何结构拉近数据分布和表示空间的差距,并在诸多真实世界异构图数据集上进行验证,结果证明其在超几何空间中解缰和表示异构图数据的有效性。
Jun, 2024
本研究提出了一种新的解缠结生成模型的增强型框架,采用新的变分目标来解缠所有类型的潜在因子,并通过新的节点和边解缠架构进一步增强单因子的解缠度。定量定性实验表明,该模型扩展性强,能够高效地解决解缠在图像生成中的问题。
Jun, 2020
本文提出了一种新的图卷积网络 (FactorGCN),能够显式地解开图中绕在一起的、包含多种关系的数据,将其拆分成多个因式图,在每个因式图的潜在空间内分别聚合节点的特征,进而实现更好的下游任务表现。在合成和真实世界数据集上进行了定性和定量评估,并展示了真正令人鼓舞的结果。
Oct, 2020
本文提出了一种称为层次图胶囊网络(HGCN)的创新方法,它可以联合学习节点嵌入和提取图层次结构,通过识别每个节点下的异构因素建立分离的图胶囊,从而表征同一实体的不同属性,并通过显式考虑部件之间的结构信息来表征低层胶囊(部分)和高层胶囊(整体)之间的整体关系。实验结果表明 HGCN 的效果和每个组件的贡献。
Dec, 2020
基于对比学习方法的成功,该文提出一种用于图上对比解缩的框架,采用了解缩编码器和两个经过精心设计的自监管信号,并使用该框架在 3 个引文网络上进行节点分类任务,实验结果验证了该框架的有效性。
Jun, 2023
本文提出了一种自我监督方法并设计了三个前置任务来指导自动边界分离,同时将其与下游节点分类任务一起训练,以促进通道的捕获可区分关系和邻域相互作用,并且输出它们作为节点表示。实验结果表明 DisGNN 在六个真实世界数据集上取得了显着的性能提升,为边缘分离和图学习提供了一种新的解决方案。
Feb, 2022
本文提出了一种图拉普拉斯图卷积网络 (gLGCN) 方法,该方法通过编码图结构和节点特征同时保持局部不变性约束,用于图数据表示和半监督分类,并在实验中证明了其有效性。
Sep, 2018
本文提出了一种不依赖社会假设的学习有向带符号图中解耦节点表示的方法 DINES,采用解耦框架来将每个嵌入分解成不同因素,以捕捉多个潜在因素,并通过轻量级图卷积以及有效的边符号分类解码器来提高模型表达能力,实验证明 DINES 在有向带符号图中有效地学习了解耦节点表示,并在符号预测任务中显著优于其竞争对手。
Jul, 2023
本研究提出了一种新的分离知识图谱注意力网络 (DisenKGAT),该网络采用微观分离和宏观分离来利用知识图谱背后的表示,并针对给定场景生成自适应表示。通过在公共基准数据集上进行广泛实验,验证了 DisenKGAT 在准确性和可解释性方面优于现有方法。
Aug, 2021
本文提出了一种基于信息理论的非监督图神经网络方法,即异构深度图 Infomax(HDGI),用于解决异构图的特征提取与表示问题,利用本地 - 全局互信息最大化捕获高级节点表示,并在分类和聚类任务上取得优秀的表现。
Nov, 2019