ICLRJun, 2020

基于 Wasserstein 嵌入的图学习

PDF
TL;DR本研究提出了针对图学习的 Wasserstein Embedding 方法，并应用不同的机器学习模型来进行图预测任务，利用节点嵌入分布的相似度来定义图之间的相似性，并用 Wasserstein 距离度量两者之间的差异，不同于现有方法，避免了两两计算不同的图之间的距离，将计算复杂度从二次线性降至一次线性，并证明了该方法在各项基准图属性预测任务中具有优秀的分类表现及计算效率。
发现论文，激发创造
  • 学习 Wasserstein 嵌入

    本文介绍一种利用同配网络和解码器实现对 Wasserstein 距离进行逼近的方法，该方法可用于快速处理优化问题，如重心、主要方向或原型，在图像数据集上已经进行了实验。

    Oct, 2017

  • 图匹配与节点嵌入的 Gromov-Wasserstein 学习

    该论文提出一种基于 Gromov-Wasserstein 方法的图对齐及嵌入学习框架，通过学习最优传输距离完成图的对齐，以及标记距离来引导嵌入向量的学习，并通过结构正则化减小 Gromov-Wasserstein 距离，使用近端点法求解这个优化问题。该方法在现实网络中的匹配问题上具有卓越的性能表现。

    Jan, 2019

  • Wasserstein Weisfeiler-Lehman 图核

    本文介绍了一种基于 Wasserstein 距离和 Weisfeiler-Lehman embedding 的新型图卷积核方法，以图像高维对象的方式比较图结构之间的相似性并在多个图分类任务上提高了预测性能。

    Jun, 2019

  • 图的 Bures-Wasserstein 平均值

    本文提出了一种基于嵌入空间和 Wasserstein 距离度量的图平均值定义框架，可通过迭代算法计算得出可保留结构信息的均值图，该框架在结构图聚类、功能脑网络分类和半监督节点分类中表现优异，是一个有价值的实用工具。

    May, 2023

  • 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

  • 学习嵌入到熵 - Wasserstein 空间

    本文研究了一种称为 Wasserstein space 的新型嵌入方法，它在嵌入数据时不受限于欧几里得空间假设，可以更好地捕捉数据的潜在语义结构，同时对于更广泛的度量结构也具有更大的灵活性，并演示了其在词嵌入方面的应用。

    May, 2019

  • 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

  • 快速扭曲图嵌入：统一框架和一键算法

    该研究提出了一种名为 GEM-D 的新框架，该框架将图嵌入算法分解为三个构建块：节点接近度函数、变形函数和损失函数。此外，他们提出了一种名为 UltimateWalk 的新算法，它是一键式的（无需用户定义的参数），可扩展并具有闭式解决方案。

    Feb, 2017

  • 使用 Wasserstein 距离的高斯词嵌入

    该研究提出了一种使用 Wasserstein 距离作为损失函数的高效高斯词嵌入模型，并利用 ConceptNet 进行半监督学习，以获得更丰富的语义信息和更好的性能。

    Aug, 2018

  • 一种聚合 Gromov-Wasserstein 框架用于无监督知识图谱实体对齐

    本文提出了一种使用融合的 Gromov-Wasserstein（FGW）距离的无监督实体对齐框架（FGWEA），通过全面比较实体语义和知识图谱结构，并配合三阶段渐进式优化算法进行计算，实验结果显示其在 14 个不同知识图谱和 5 种语言领域中胜过了 21 个基线算法，包括领先的监督实体对齐方法。

    May, 2023