部分对齐的图卷积网络跨网络学习
该研究提出了一种学习卷积神经网络用于任意图形的框架,以提取本地连接区域。使用公认的基准数据集,我们证明了学习特征表示与最先进的图形核心竞争,并且计算效率很高。
May, 2016
提出一种名为图修正卷积网络(GRCN)的框架,通过引入基于 GCN 的图修正模块来预测缺失边并在下游任务中进行边缘权重修正,以避免过度参数化或简单的重新加权观察到的边缘的问题,并且在六个基准数据集上的实验结果表明,与强基准方法相比,GRCN 始终表现出较大的优势,尤其是原始图严重不完整或用于模型训练的标记实例高度稀疏的情况。
Nov, 2019
本文提出了一种使用图卷积神经网络(GCN)学习实体和关系表示的新颖联合学习框架,以改善实体对齐,并证明利用有用的关系表示来协助实体对齐是一种简单而有效的方法。通过在三个真实的跨语言数据集上进行的实验表明,我们的方法显著优于现有的实体对齐方法。
Sep, 2019
本篇论文提出了一种新型的图卷积神经网络 Deformable GCNs,它可以在多个潜在空间适应性地执行卷积操作,并捕获节点之间的短 / 长距离依赖关系,从而处理异构性,并在六个异质性图数据集中实现节点分类任务的最佳性能。
Dec, 2021
本研究提出了一种可扩展的半监督学习方法,该方法基于一种直接作用于图形的高效卷积神经网络变体,通过局部一阶逼近实现了谱图卷积的选择,其模型在节点数量上线性地扩展并学习编码局部图结构和节点特征的隐藏层表示,在引用网络和知识图数据集上的若干实验中,证明了我们的方法的明显优越性。
Sep, 2016
本文研究了将深度学习方法推广到图论领域,通过对比 RNN 和 ConvNet 的效果,将门控边缘和残差技术用于设计神经网络对图学习任务进行分类,获得了比现有方法更高的准确率和更快的速度。
Nov, 2017
本研究提出了一种统一的生成图卷积网络,通过从现有图数据构建生成图序列的采样,在生成模型框架中自适应地学习所有节点的节点表示,同时使用图重构项和自适应 KL 正则化项对变分下限进行优化,解决了无法处理孤立新节点的问题。
Mar, 2019