KDDJul, 2020

Grale: 设计用于图学习的网络

PDF
TL;DR本研究提出了 Grale 方法，通过融合不同的相似性度量来创建多种任务特定的同质化图，以解决图设计问题。我们在 Google 的 20 多个不同的工业设置中部署了 Grale，并且通过运用局部敏感哈希技术，大大减少了需要打分的节点对数量，从而在几小时内学习到任务特定的模型和对应的最近邻图。在研究中，我们将 Grale 应用于 YouTube 上的滥用分类问题，并发现它可以增加总召回率 89%。
graph learningsemi-supervised learninggraph designsimilarity measuresgrale
发现论文，激发创造
  • 图形半监督学习用于关系网络

    本文针对关系网络中的半监督学习问题提出了两种可扩展的方法，可以更好地处理链接多样性和分类异质性等图结构异质性，相比于现有算法，我们的方法在不需要先验知识的情况下提供更好的分类性能。

    Dec, 2016

  • AGALE: 图感知的持续学习评估框架

    最近几年，连续学习技术在从流数据中保留知识的同时进行学习方面取得了重要的进展，但现有的评估框架不适用于具有图结构数据的情况。本研究提出了一个考虑图结构数据的图感知评估框架，解决了以往评估框架的局限性，并在连续学习、连续图学习和动态图学习领域进行了大量实验验证。

    Jun, 2024

  • 高效的基于子图的图表示学习算法与系统协同设计

    SUREL 是一种可伸缩的 subgraph-based graph representation learning（SGRL）框架，通过步行分解子图来构建和重用子图，从而实现减少子图提取的冗余和支持并行计算，相较于 SGRL 基线，SUREL 达到 10 倍的加速，而预测性能相当甚至更好；而与规范的 GNN 相比，SUREL 实现了 50％的预测准确度提高。

    Feb, 2022

  • 多尺度卷积集匹配学习的高效图相似度计算

    本文介绍了 GraphSim 模型，该模型从直接匹配两组节点嵌入的角度解决了图相似性计算问题，获得了在四个真实世界图数据集上的最先进性能。

    Sep, 2018

  • 深度图相似性学习：综述

    本文对深度图相似性学习的现有文献进行了综述和分类，讨论了方法和应用的挑战和未来方向。

    Dec, 2019

  • 减轻恶劣环境带来的图主动学习的语义混淆

    通过引入节点的语义特征的两两相似性和不相似性共同评估节点影响力，设计了新的基于原型的标准和查询策略，以解决图形主动学习中的语义混淆问题，并通过实验验证了该框架的有效性。

    Aug, 2023

  • 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

  • AGL：面向工业应用的可扩展图机器学习系统

    提出了一种基于成熟基础架构的可扩展、容错和集成训练和推理的 AGL 系统，采用图传递机制和 MapReduce 算法来训练和推理图神经网络，同时通过生成每个节点的信息完整子图以及在参数服务器上训练来解决图形结构中的数据依赖性问题。

    Mar, 2020

  • 基于图注意力机制的可扩展图生成模型

    本文介绍了一种可扩展的图生成模型 GRAM，其采用一种新颖的图注意机制和评估方法，在节点 / 边标签图生成任务中表现出较高的性能。

    Jun, 2019

  • 半监督分类的图推理学习

    本文提出一种用于半监督图节点分类的 “图推理学习”(GIL) 框架，通过学习节点标签的推理，提高分类性能，定义节点属性、节点路径和局部拓扑结构之间的结构关系，从而方便地从一个节点推导出另一个节点的推理，通过在训练节点到验证节点上进行结构关系的元优化，使学习到的图推理能力更好地适应测试节点。在四个基准数据集上进行了全面评估，结果表明，与半监督节点分类任务中最先进的方法相比，我们提出的 GIL 方法具有卓越的性能。

    Jan, 2020