WWWFeb, 2021

双超图卷积神经网络应用于多路二分网络嵌入

PDF
TL;DR本文提出了一种无监督的 Dual HyperGraph Convolutional Network (DualHGCN) 模型，通过将多重二分网络转化为两组同质超图，并使用谱超图卷积算子以及内部和跨域间的信息传递策略来学习有效的节点嵌入，对四个真实数据集进行基准测试，展示了 DualHGCN 显著优于现有最先进方法，并且对不同的稀疏水平和不平衡节点分布具有鲁棒性。
bipartite networkmultiplex bipartite networkdualhgcnhypergraph convolutional networknode embedding
发现论文，激发创造
  • 多路异构图卷积网络

    本研究提出了一种多重异构图卷积网络（Multiplex Heterogeneous Graph Convolutional Network，MHGCN），可以通过多层卷积聚合自动学习多重异构网络中不同长度的有用异构元路径交互，并有效地将多关系结构信号和属性语义集成到有监督和半监督学习范式中的学习节点嵌入中，实验证明其在各种网络分析任务中显著优于现有的嵌入基线。

    Aug, 2022

  • 层级二分图卷积网络

    本文通过提出一种名为 BiGraphNet 的图神经网络架构，加速和扩展了图像自编码器、图像残差网络等图神经网络的优化实现，进一步拓展了卷积神经网络类的新型高效操作。

    Nov, 2018

  • Cascade-BGNN：面向大规模双分图的有效自监督表示学习

    本研究提出了 Cascade Bipartite Graph Neural Networks—— 一种新颖的自监督节点表示学习方法，该方法可以有效地和高效地在独特的双边图结构中聚合信息，并经过多个数据集的实验验证其高效性和实用性。

    Jun, 2019

  • 二分网络中的链接预测

    通过实验比较 19 种处理二分图的链接预测方法，该研究提出了使用图卷积网络（GCN）改进的推荐系统作为二分图链接预测的新解决方案，并发现 GCN 的个性化推荐系统和基于启发式度量的方法如结构扰动法（SPM）都能够取得成功的结果。

    Jun, 2024

  • 深度部分多重网络嵌入

    本文提出了一种新颖的深度部分多重网络嵌入方法，利用自编码器神经网络，共同的潜在子空间学习和图 Laplacian 的方法学习网络嵌入，以处理不完整的多重数据，并在节点分类，链接预测和聚类任务中展示了卓越的性能。

    Mar, 2022

  • 基于半监督的深度学习用于多重网络

    本研究提出了一种新的半监督结构感知表征学习方法，通过最大化局部节点表示和标签相关的全局图表示之间的互信息来联合建模节点和群集结构，并采用聚类感知、节点上下文全局图概括生成策略来有效地联合建模多层复合网络中的节点和群集表示，实验结果表明，提出的方法在分类、聚类、可视化和相似性搜索等任务中优于现有方法。

    Oct, 2021

  • 异质图的分离式双曲线表征学习

    本文提出了一种名为 Dis-HGCN 的解缰离散超几何异构图卷积网络，旨在通过独立的信息传播来解缰语义特征和结构特征，以及通过超几何结构拉近数据分布和表示空间的差距，并在诸多真实世界异构图数据集上进行验证，结果证明其在超几何空间中解缰和表示异构图数据的有效性。

    Jun, 2024

  • 使用多部分图表示探索稀疏神经网络内部

    本文提出了一种新的 unrolled input-aware bipartite Graph Encoding 算法用于寻找 DNN 中的高效子网络并研究其拓扑结构，以探究现有的剪枝算法和拓扑结构之间的差异以及与性能之间的关系。

    May, 2023

  • 多重网络中的表示学习：信息融合的位置和方法

    在本文中，我们探索在无监督或半监督方式下，针对多通道网络中的节点学习表征的问题，并通过在图处理过程的不同层次上进行多样化的信息融合方案的详细分析和实验评估，提出了在处理多通道网络时如何构建 GNN 架构的改进方法。

    Feb, 2024

  • 基于图分割和空间投影的异质网络嵌入方法 - GPSP

    提出 GPSP，通过图分区和空间投影，学习多类型节点和链接的异构网络表示，各个子网中学习投影嵌入向量，将来自双部分子网的投影向量与同质子网的向量进行连接，展示出 GPSP 在结点分类与聚类等关键网络挖掘任务上的表现胜过现有基础线。

    Mar, 2018