Apr, 2021

基于互信息和自监督双层聚合的节点嵌入

PDF
TL;DR本文通过使用互信息（mutual information）引入局部区域和全局区域的概念，并利用双层聚合对复杂的节点特征进行建模，实现了对于无序图中节点表示的高效学习和训练。同时，借助于自监督学习，将有限的标签数据结合互信息理论进行更加细致的标签预测，证明了本文提出的模型在各种图结构中都有着优越的表现。
graph neural networksneighborhood aggregationmutual informationbi-level aggregationself-supervision learning
发现论文，激发创造
  • 非局部图神经网络

    该研究提出了一种以非局部聚合为基础的简单而有效的图神经网络框架，采用高效的注意力引导排序，用于解决不同类型的图数据集，实验结果表明，在效率和模型性能方面，该方法显著优于先前针对不同类型图案的最先进方法。

    May, 2020

  • 通过图形互信息最大化进行图形表示学习

    本文提出了一个新颖的概念，图互信息（Graphical Mutual Information，GMI），用于无监督地将图结构数据中的丰富信息提取到嵌入空间中进行表示学习，同时运用 GMI 开发了无监督学习模型并在节点分类和链接预测等任务上表现出明显的优越性。

    Feb, 2020

  • 多任务设置下的图表示学习的元学习方法

    本文提出了一种新的元学习策略，能够生成可用于多个任务的多任务节点嵌入，并在多个任务上表现出比传统模型更高甚至可比的性能。该方法可以避免同时执行多个任务时出现的困难，是模型不可知和任务不可知的，适用于各种多任务领域。

    Dec, 2020

  • 跨图元算归纳节点分类

    本文介绍了一种名为 MI-GNN 的基于元学习范式的元 + 归纳框架，以定制归纳模型以适应每个图表的方法。 MI-GNN 在图和任务级别上都采用双适应机制，对来自同一领域内不同的图表进行自适应，提高了半监督节点分类的性能。

    May, 2021

  • 带门控多跳邻居聚合的知识图谱对齐网络

    本研究提出了一种名为 AliNet 的知识图谱对齐网络，通过引入远程邻居扩展对应实体的邻域，并采用注意力机制和门控机制，控制了直接邻居和远端邻居信息的整合，进而通过关系损失优化实体表示。在五个实体对齐数据集上的实验证明了 AliNet 的有效性。

    Nov, 2019

  • 一种集体学习框架以提高 GNN 表达能力

    本文提出了一种基于集体学习和自监督学习的蒙特卡洛采样框架，用于将当前的 GNN 模型进行增强以实现节点分类，实验结果表明，该方法在五个真实世界的网络数据集上都取得显著的性能提升。

    Mar, 2020

  • 两层图神经网络

    我们提出了一种被称为 Two-level GNN 的新型 GNN 框架，通过将子图级别信息与节点级别信息合并来克服现有 GNN 的局部置换不变性问题，并提出了一个基于动态规划算法的子图计数方法，实验证明 TL-GNN 优于现有 GNN，并实现了最先进的性能。

    Jan, 2022

  • CAGNN: 面向无监督图表征学习的聚类感知图神经网络

    介绍一种新的无监督图嵌入学习方法，使用自监督技术，通过将节点嵌入进行聚类并预测节点分配情况更新模型参数，加强类内联系和减少类间联系从而更好地保留了嵌入空间中的类簇结构，并在两个基准任务中使用真实世界数据集展开比较实验，证明了该模型在准确性方面比现有基线方法优越，特别地，在节点聚类方面的准确率提升了超过 7%

    Sep, 2020

  • 通过改善具有局部混合模式的图的同配性来突破图神经网络的限制

    在图神经网络中，提出用节点级异质性度量替代全局同质性系数来更好地表示网络节点的混合模式，进而设计了一种改进的计算图结构，并在此基础上提出一种自适应选择结构与接近度信息的模型，以取得更好的性能，其中针对半监督节点分类任务进行的实验也取得了良好的结果。

    Jun, 2021

  • 通过最大化互信息进行二分图嵌入

    本文提出一种叫 BiGI 的双分图嵌入方法，引入了一种新颖的局部 - 全局 infomax 目标，通过最大化局部和全局表示之间的互信息，使得双分图中的节点具备全局相关性，实现了对双分图的全局特征建模，并在各种基准数据集上进行了评估，并与现有方法进行了比较。

    Dec, 2020