利用深度学习技术进行最短路径距离近似计算

Feb, 2020

利用深度学习技术进行最短路径距离近似计算

Shortest path distance approximation using deep learning techniques

Fatemeh Salehi Rizi, Joerg Schloetterer, Michael Granitzer

TL;DR本文提出使用深度学习中的向量嵌入来近似计算大型网络的最短路径距离，结果表明，使用向量嵌入的前馈神经网络可以比较低的失真误差实现距离计算。该方法在 Facebook、BlogCatalog、Youtube 和 Flickr 等社交网络上进行了评估。

Abstract

Computing shortest path distances between nodes lies at the heart of many graph algorithms and applications. Traditional exact methods such as breadth-first-search (BFS) do not scale up to contemporary, rapidly e

shortest path distances graph algorithms deep learning vector embeddings approximation methods

发现论文，激发创造

基于图度量嵌入的快速图算法

本文介绍一种学习图嵌入的简单、有效方法，通过密集向量表示来近似节点之间的距离，以反映用户定义的图距离度量，避免了直接在图结构上进行操作引起的低效性，证明该方法在语义相似性和词义消歧任务上的表现比其他图嵌入方法更优秀，同时在 WordNet 和两个知识库图上进行了评估。

Jun, 2019

学习自一个单独的图可为无线网络提供近最短路径路由

我们提出了一种学习算法，用于本地路由策略，只需从单个图中获取的少量数据样本即可在标准无线网络模型中推广到所有随机图。

Aug, 2023

使用随机游走的稀疏近似进行网络嵌入

提出一种基于交通时间的网络嵌入的高效数值实现，使用扩散小波算法得到的网络上的扩散过程的稀疏逼近。通过随机梯度下降法，并对绿函数的低维表示进行采样，计算节点嵌入，并通过多个示例展示了该方法在数据聚类和多标签分类方面的有效性，并比较了其在效率和准确性方面相对于现有方法的性能。还讨论了理论问题来证明该方案的合理性。

Aug, 2023

网络感知嵌入的无监督学习

通过估计数值节点属性之间的网络距离，我们可以创建网络感知嵌入，而不是对网络的节点进行聚类。在本文中，我们修复了无监督学习文献中的这个盲点，并展示了我们的方法在各种领域的应用中始终是有益的，并且可以提供可操作的见解。

Sep, 2023

循环距离编码神经网络用于图表示学习

通过最短距离和线性循环网络，我们提出了一种新的图神经网络架构，以解决信息提取和计算复杂度的挑战，并在各个基准测试中展示了与最新颖的图转换器相比性能具有竞争力且计算复杂度大大降低。

Dec, 2023

图属性预测的最短路径网络

本文章提出了一种最短路径消息传递神经网络框架，可以解决节点间信息传递瓶颈以及节点无法直接通信的问题，从而实现更准确的图分类。

Jun, 2022

从 WordNet 基于相似度度量学习图嵌入

本研究提出 path2vec，一种学习图嵌入的新方法，它依赖于节点相似性的结构度量，该模型使用一个密集的空间来学习节点的表示，以逼近用户定义的图距离度量，并在语义相似性和词义消歧任务方面表现出色。

Aug, 2018

深度生成模型的快速近似测地线

通过在来自聚合近似后验的有限样本图中找到最短路径，我们提出了一种解决高维空间中数据相似性计算的方法，并在图像数据的多个实验中进行了验证。

Dec, 2018

BiasedWalk: 偏置抽样在图表示学习中的应用

提出基于偏置随机游走的可扩展无监督特征学习算法 BiasedWalk，适用于网络的降维和链接预测等任务，并在实验中显示它的优越性。

Sep, 2018

海量社交图快速可扩展分析

本研究旨在探讨如何在当今大规模图形上开展可扩展性的图形处理，提出了一种新的图形坐标系统的设计空间，即通过将图嵌入到坐标空间的方式精确地近似节点距离，从而实现常数时间内的距离查询和最短路径查询，在 43 百万个节点的图中能提供更准确的结果，且可以很容易地扩展到定位节点对之间的最短路径，解决了大规模图形分析的难题。

Jul, 2011