Feb, 2021

Cleora: 一种简单、强大且可扩展的图嵌入方案

PDF
TL;DR本文提出 Cleora 算法，使用迭代的带权平均和维度归一化的方式实现图嵌入的无监督学习，能在高效可扩展的情况下产生高质量的图嵌入，达到竞争水平的链接预测和节点分类结果，且与与对比算法相比计算成本明显更低。
graph embeddingsunsupervised learningnode similarityscalabilitycleora algorithm
发现论文，激发创造
  • OLGA：一种单类图自编码器

    OLGA 是一种端到端的图节点表示学习方法，通过结合两个损失函数来封装感兴趣的实例，其中包括一个新的超球面损失函数，以改善模型学习。OLGA 通过学习低维表示来保持分类性能，并提供了可解释的模型表示学习和结果。

    Jun, 2024

  • 基于粗化的更快图嵌入

    对于大规模图形数据，我们提出了一种优化的图粗化方法，基于 Schur 补，可在节省时间的同时保证了嵌入的准确性。

    Jul, 2020

  • GraphCL: 对图形表示的对比自监督学习

    本文提出了一种名为 Graph Contrastive Learning（GraphCL）的一般框架，以自我监督的方式学习节点表示，通过最大化同一节点的本地子图的内在特征和连接结构的两个随机扰动版本的表示之间的相似性来学习节点嵌入，并使用对比学习损失来最大化它们之间的一致性，证明我们的方法在节点分类基准测试中显着优于无监督学习的现有技术。

    Jul, 2020

  • 简单对比图聚类

    提出一种名为 Simple Contrastive Graph Clustering (SCGC) 的算法，从网络架构、数据增强和目标函数三个方面改进现有方法，通过简单的低通滤波去噪操作和两个多层感知器 (MLPs) 作为骨干网络，通过构建 siamese 编码器和直接损坏节点嵌入来实现数据增强，设计了新的跨视图结构一致性目标函数来提高网络的判别能力，实验结果表明，在七个基准数据集上，该算法比最近的对比深度聚类竞争对手快至少七倍，并取得了显著的性能优势。

    May, 2022

  • 图表示的可证明隐私漏洞

    通过对余弦相似度为基础的边重建攻击（COSERA）进行理论和实证研究，本文揭示了图神经模型中结构性漏洞的存在，这些漏洞导致了敏感拓扑信息的推测，同时还探讨了通过噪声聚合机制（NAG）生成的（可证明的）私有图表示对 COSERA 攻击的弹性，以及 COSERA 在隐私和效用之间权衡的表现。

    Feb, 2024

  • SCE: 基于最稀疏割的可扩展网络嵌入

    本文提出了一种仅使用负样本进行训练的自然语言处理模型中 skip-gram 模型的大规模网络嵌入模型，该模型使用基于最稀疏切割问题的新对比目标，通过图卷积算子作为低通滤波器，将嵌入作为节点表示进行平滑，最终在真实数据集上的实验结果表明我们的模型在准确性和可扩展性方面都优于现有的强基线。

    Jun, 2020

  • LocalGCL：基于局部感知的图形对比学习

    局部感知图对比学习 (LACL) 是一种自监督学习框架，通过基于掩膜的建模补充性地捕捉局部图信息，相对于纯粹的对比学习，有效解决了在应用于图数据时过于强调全局模式而忽略局部结构的问题。实验结果验证了 LACL 方法优于当前最先进方法，展示了其作为一种全面的图表示学习器的潜力。

    Feb, 2024

  • FREDE: 任意时刻图嵌入

    本文介绍了一个基于矩阵奇异值分解的矩阵草图方法 ——FREDE，该方法以线性空间复杂度、非线性变换和优质保障作为其基础，可在各种数据科学任务中与最先进的嵌入方法相媲美，即使基于仅 10％的节点相似性。

    Jun, 2020

  • GraphZoom: 一种多层谱方法，用于精确和可伸缩的图嵌入

    本文介绍了一种名为 GraphZoom 的多层框架，旨在提高无监督图嵌入算法的准确性和可扩展性。该方法利用节点属性和图拓扑信息进行图合并，并通过多次缩小并简化合并的图，将现有嵌入方法应用于合并后的图，从而在多种图数据集上达到更高的分类准确性和更快的处理速度。

    Oct, 2019

  • MoCL: 基于知识感知对比学习的分子图数据驱动的分子指纹

    本文研究了图对比学习在生物医药领域中的应用，提出了一种利用本地和全局领域知识来辅助表示学习的框架 MoCL。使用双重对比目标学习整个模型。在不同的分子数据集上进行了评估，结果表明 MoCL 达到了最先进的性能水平。

    Jun, 2021