Feb, 2020

跨网络节点分类的对抗深度网络嵌入

PDF
TL;DR本文介绍一种基于对抗性领域适应的深度网络嵌入模型，旨在实现跨网络节点分类。该模型利用两个特征提取器来保留节点之间的属性相似性和拓扑关系，并采用节点分类器和对抗性领域适应技术来使节点表示网络不变和有较好的标签判别能力。实验结果表明，该模型在跨网络节点分类问题上达到了最先进的表现。
cross-network node classificationadversarial domain adaptationdeep network embeddingnetwork-invariant node representationsstate-of-the-art performance
发现论文，激发创造
  • DANE: 域自适应网络嵌入

    本文提出了一种全新的领域自适应网络嵌入框架 (Domain Adaptive Network Embedding framework)，利用图卷积网络来学习可转移的嵌入。在该框架中，多网络的节点通过一组共同的可学习参数编码为向量，使向量共享一个对齐嵌入空间。并通过对抗学习正则化来进一步对齐不同网络上的嵌入分布。此外，DANE 在学习可转移网络嵌入方面的优势可以在理论上得到保证。广泛的实验表明，所提出的框架在跨网络领域自适应任务中优于其他最先进的网络嵌入基线。

    Jun, 2019

  • 深度对抗网络对齐

    使用深度对抗学习技术，通过找到复杂的映射来对齐两个网络的嵌入分布，然后使用我们学习到的映射函数进行高效的最近邻节点对齐，该算法能够在真实世界的数据集上展现其有效性。

    Feb, 2019

  • 领域自适应消息传递图神经网络

    通过跨网络节点分类（CNNC）实现源网络知识向标签不足的目标网络的转移，提出了一种领域自适应传递图神经网络（DM-GNN），它将图神经网络（GNN）与条件对抗性领域自适应相结合，能够学习可传递到不同网络的节点分类的信息表示。

    Aug, 2023

  • 网络嵌入的对抗训练优化视角理解与改进

    本文从优化的角度理论上解释了 Adversarial Training for Network Embedding 的优秀结果，提出了新的激活函数，通过在四个真实网络上的实验验证表明该方法在节点分类和链接预测任务中优于现有的基线方法。

    May, 2021

  • 通过图卷积的对抗领域自适应实现图传输学习

    本文研究跨网络节点分类问题，提出一种基于对抗领域自适应和图卷积的图传输学习框架 AdaGCN 以在标签数据不足的情况下，从部分标记的源网络中利用标记信息辅助完全未标记或只有部分标记的目标网络节点分类，并在真实数据集上进行了大量实验评估，并验证了 AdaGCN 在标签率低和源目标领域差异显著的情况下都能成功传输类信息。

    Sep, 2019

  • 对抗网络嵌入

    本文提出了一种基于生成对抗网络的对抗网络嵌入（ANE）框架，它通过捕捉网络结构特性和匹配潜在表示的后验分布以提高鲁棒性，可以用于节点分类、链接预测和网络可视化等任务，并在基准数据集上取得了竞争性或优异的表现。

    Nov, 2017

  • PnP-AdaNet：可插拔对抗域自适应网络及跨模态心脏分割基准

    本文介绍了一种应对不同模态的医学图像的领域自适应的神经网络 PnPAdaNet，并在心脏结构分割上验证了其优秀的效果，同时还提出了一个新的基准数据集。

    Dec, 2018

  • 带有敌对训练和图嵌入的域适应

    该论文研究了如何对社交媒体上的帖子进行分类，提出了一种新模型，基于对抗学习进行领域自适应，并依据基于图的半监督学习来利用未标记数据，实验表明与几个基准系统相比具有显著优势。

    May, 2018

  • 深度交叉网络用于广告点击预测

    本文介绍了一种新型深度神经网络 ——Deep & Cross Network (DCN)，能够在保留 DNN 模型优势的基础上，引入有效的交叉网络来学习有限次数特征交互，不需要进行手动特征工程，且几乎不会增加 DNN 模型的复杂性，针对 CTR 预测数据集和密集分类数据集进行了实验，结果表明该模型在模型精度和内存使用方面都优于当前最先进的算法。

    Aug, 2017

  • 联合域适应

    我们提出了一种新颖的神经网络端到端领域自适应技术 —— 联想域自适应，这种技术通过强化源数据与目标数据之间的关联，在嵌入空间中产生统计领域不变嵌入并最小化标签产生误差，从而对未标记的目标域推断类标签，有效地实现域适应，并取得了卓越的性能。

    Aug, 2017