KDDJun, 2020

SSumM：稀疏化大规模图的摘要

PDF
TL;DRSSumM 是一种基于最小描述长度原理的可扩展的图形摘要算法，能够合并节点和稀疏的摘要图，达到更好的压缩率和更小的重构误差。与现有方法相比，SSumM 更简明、更准确、更可扩展。
graph summarizationcompressionscalabilitysparse summary graphminimum description length principle
发现论文，激发创造
  • 图形摘要的可扩展近似算法

    本文提出了一种有效的随机算法来计算图形摘要，旨在最小化重构误差，使用加权采样方案来合并顶点，提供算法运行时间的分析上限和得分计算的近似保证，并在几个真实世界图形上测试了算法以证明摘要的质量和与现有算法的比较，并使用摘要来回答有关原始图形的几个结构查询并报告其准确性。

    Jun, 2018

  • 通过节点分组的图摘要：一种谱算法

    本文提出了一种叫作 SpecSumm 的算法，它利用了整数最大化和谱图理论的思想，通过节点聚合来实现图形概括，并通过贪婪启发式和 k-means 算法来进一步改进概括质量。实验证明，这个算法可以比现有算法更有效地处理数百万节点的大规模图形。

    Nov, 2022

  • 增量无损图形概述

    本文提出 MoSSo，第一个用于全动态图无损摘要的增量算法。基于多种新颖的想法，MoSSo 展现了快速与可伸缩的优势，并实现了与最先进的批处理方法相当的压缩比。

    Jun, 2020

  • 使用图形概括扩展 R-GCN 训练

    本篇研究介绍了使用图形总结技术来压缩大型数据图形以优化内存使用，然后将该技术用于 Relational Graph Convolutional Networks 的训练中，并通过在 AIFB、MUTAG 和 AM 数据集上的实验证明，使用图形总结技术进行训练可以获得与使用原始图形相当或更高的准确性。

    Mar, 2022

  • 在图流中平衡摘要和变化检测

    该研究通过在基于最小描述长度原则的基础上，引入概率隐变量模型的分层结构，设计了参数化摘要图，以解决图摘要压缩率与变化检测准确性之间的平衡问题，并通过理论框架和实证分析证明了其有效性。

    Nov, 2023

  • 用于抽象式多文档摘要的压缩异构图

    HGSUM 是一种多文档摘要模型，其通过使用异构图来表示文档中的不同语义单元（例如单词和句子），并使用图池化进行压缩以保留文档中关键信息和关系。在训练中，HGSUM 使用另一种目标来最大化压缩图与来源自地面真实摘要构建的图之间的相似性，并通过相似性和标准交叉熵目标进行端到端训练，在 MULTI-NEWS、WCEP-100 和 ARXIV 数据集上表现优于现有的多文档摘要模型。

    Mar, 2023

  • 引用图增强的科学论文摘要提取

    本文研究了使用引文图来提高科学论文摘要生成的质量，提出了两种方法：为任务提供简单而低成本的多粒度无监督摘要生成方法 (MUS)，以及对大量标记数据具有更准确结果的基于图的监督摘要方法 (GSS)，并在公共基准数据集上进行了实验验证以证明方法的有效性。

    Dec, 2022

  • VideoSAGE: 利用图表示学习进行视频摘要

    提出了一种基于图的表示学习框架用于视频摘要，通过将输入视频转换为图，从而在图上建立稀疏连接，将视频摘要任务转化为二进制节点分类问题，以捕捉视频帧之间的长程相互作用，同时具有更高的计算效率和内存利用率。

    Apr, 2024

  • 基于知识图谱中心视角的多文档科学摘要

    本文提出了 KGSum 多文档科学总结的模型，重点在于在编码和解码过程中使用知识图谱来实现内容和关系建模。经验证实验结果显示，相较于基准结果，该架构带来了显著的改进。

    Sep, 2022

  • 递归图建模实现视频摘要的 SumGraph 算法

    本文提出了一种递归图建模网络框架 SumGraph，将视频摘要生成问题转化为了图建模问题，并利用图卷积网络对递归建模过程中的节点进行二分类，从而达到更好的视频摘要效果。经实验证明，该方法在视频摘要领域取得了当前最优效果。

    Jul, 2020