KDDJul, 2020

属性图嵌入的自适应图编码器

PDF
TL;DR提出了一种新的算法 Adaptive Graph Encoder (AGE) 基于图卷积网络（GCN）的 attributed graph embedding 任务，并且采用了特定的 laplacian smoothing filter 去除节点特征中高频噪声，实现更佳的节点嵌入。AGE 在公共基准数据集上进行了实验，结果表明 AGE 在节点聚类和链接预测任务中表现出色。
attributed graph embeddinggraph convolutional networksadaptive graph encoderlaplacian smoothing filternode embeddings
发现论文，激发创造
  • 基于注意力机制的图聚类网络

    提出了一种名为注意力驱动图聚类网络（AGCN）的深度聚类方法，它利用异质性智能融合模块动态融合节点属性特征和拓扑图特征，并开发了一个分别针对不同层嵌入的多尺度特征进行自适应聚合的规模智能融合模块，通过联合学习特征和聚类分配，可以更加灵活有效地执行聚类任务。实验结果表明，该方法性能优于现有的深度聚类方法。

    Aug, 2021

  • AGNN: 循环使用图正则化神经网络缓解过渡平滑问题

    本研究提出了一种 Alternating Graph-regularized Neural Network (AGNN) 模型，其中包括 Graph Convolutional Layer (GCL) 和 Graph Embedding Layer (GEL)。GEL 通过包含拉普拉斯嵌入项的图正则化优化导出，可以通过从低阶特征空间定期投影到高阶空间来缓解过度平滑问题。通过改进的 Adaboost 策略聚合来自每一层的输出，并探索多跳邻居的集成嵌入，评估表明，在比较某些多层或多阶图神经网络的性能基础上，AGNN 比现有的最先进模型表现更好。

    Apr, 2023

  • 重新思考基于图自编码器的属性图聚类模型

    为了解决图聚类中的关键问题：特性随机性和特性漂移，本文提出了一种 GAE 聚类方法，并提出采样和操作符，以提高聚类效果和鲁棒性。

    Jul, 2021

  • 面向属性网络嵌入的协作图神经网络

    COllaborative graph Neural Networks (CONN) 是一种专门用于属性网络嵌入的 GNN 体系结构，通过选择性地传播来自相邻节点和相关属性类别的消息，并通过交叉相关联合重构节点之间和节点到属性类别之间的交互来提高模型能力。实验表明 CONN 在真实网络上表现出色，超过了现有的嵌入算法。

    Jul, 2023

  • 一种具有自适应视图图形编码器的结构感知分组歧视：一种快速的图形对比学习框架

    此篇论文主要针对大规模图形表示学习的高成本问题，提出了自适应视图图神经编码器（AVGE）以及结构感知的群体判别（SAGD）方法，通过这两个方法，能够将大规模数据集的训练和推理成本显著降低 250 倍，并且不会丧失下游任务性能。

    Mar, 2023

  • 联合商品推荐与属性推断：自适应图卷积网络方法

    该研究提出了一种自适应图卷积网络的方法，用于联合推荐系统中的商品推荐和属性推断，通过迭代学习图嵌入参数和估计属性值来提高性能。

    May, 2020

  • 保持简单：无需图卷积网络的图自编码器

    本文提出一种替代图卷积网络 (GCN) 编码器的简单线性模型来学习节点的向量表示，并通过实验证明在多个现实世界的图中，如 Cora、Citeseer 和 Pubmed 引文网络上，其表现与基于 GCN 的模型相当，这结果对于评估复杂图自动编码器和变分自动编码器的实际实用价值具有重要意义。

    Oct, 2019

  • 对抗隐私保护图嵌入抵御推理攻击

    本文提出了 Adversarial Privacy Graph Embedding (APGE) 模型，它是一种图形对抗训练框架，可以学习来自图形结构数据的低维特征表征，并保护用户隐私信息，从而在解决节点分类和链接预测等任务时具有优越性能。

    Aug, 2020

  • AM-GCN: 自适应多通道图卷积网络

    本文提出了一种新型 GCNs 模型：自适应多通道图卷积网络 (AM-GCN)，以更好地融合和提取节点特征和拓扑结构之间的深度相关信息，并在半监督分类任务上取得了明显的精度提升。

    Jul, 2020

  • 采用对抗训练方法学习图嵌入

    该论文提出了一个新的对手正则化框架来进行图嵌入，通过对手正则化的方法来保证所得到的隐藏代码满足先验高斯或均匀分布，之后得到两个 Adversarially Regularized Graph Autoencoder (ARGA) 和 Adversarially Regularized Variational Graph Autoencoder (ARVGA) 的变种来学习图嵌入，实验表明我们的方法在链接预测和图聚类中执行良好。

    Jan, 2019