AAAIDec, 2021

无监督图表示学习的图级通用潜在因子提取

PDF
TL;DR该论文提出了一种新的无监督图表示学习原则 —— 基于图的通用潜在因子提取（GCFX）以及一个深度学习模型 deepGCFX，利用提取出来的共同的潜在因子来改进下游任务的表现，特别是对于非同配图，还揭示了通用的潜在因子可以减轻节点或局部邻域的局部变化带来的干扰，从而有助于节点或图级的任务执行。
unsupervised graph-level representation learninggraph-wise common latent factor extraction (gcfx)deepgcfxgraph-level tasksnode-level tasks
发现论文，激发创造
  • 经典图结构特征在社区标记上胜过基于因式分解的图嵌入方法

    本研究分析并探讨了基于单节点低维度向量嵌入模型的无监督图表示学习方法在节点对社群标记任务方面的表现，发现相对于经典的基于结构特征的模型，该类模型表现较差且在实践中结果不够稳定，因而在捕获社群结构方面存在局限性。

    Jan, 2022

  • 面向高维稀疏矩阵的图嵌入潜因子分析

    本文提出了一种基于图的潜因子分析模型，将隐藏的高阶交互与重复的低秩嵌入相结合，从而提高了对高维稀疏矩阵的表示学习能力，并在三个真实数据集上验证了其在预测丢失数据方面的优越性。

    Apr, 2022

  • 网络表示学习：巩固与更新方向

    本研究对 15 个数据集进行了 12 种度量方法的实验研究，其中涵盖了图的非线性降维和表示学习。结果显示，无论是在连接预测还是节点分类任务中，没有一种方法完全胜出。

    May, 2019

  • 图深度生成模型纠缠时的无监督可控因素发现

    本研究提出了一种用于在预训练图形生成模型的潜在空间中无监督发现可控因素的方法，并通过最大化语义丰富的方向之间的互信息来学习可控因素。验证结果表明，该方法在两个预训练图形生成模型上优于其他四种竞争算法，并在两种分子数据集和三个点云数据集上展示了七个可控因素的质量。

    Jan, 2024

  • 可分解的图卷积网络

    本文提出了一种新的图卷积网络 (FactorGCN)，能够显式地解开图中绕在一起的、包含多种关系的数据，将其拆分成多个因式图，在每个因式图的潜在空间内分别聚合节点的特征，进而实现更好的下游任务表现。在合成和真实世界数据集上进行了定性和定量评估，并展示了真正令人鼓舞的结果。

    Oct, 2020

  • 解耦对比协同过滤

    本篇研究提出了一种基于图神经网络和图对比学习的协作过滤框架，通过自我监督学习进行自适应增强，实现目的的解耦和噪声抑制，将学习到的解耦表示与全局上下文结合，相比于现有的解决方案，具有更好的性能表现。

    May, 2023

  • 多图卷积协同过滤

    本文提出了一个基于图卷积的推荐框架，名为 Multi-GCCF，该框架利用了用户项目交互数据和用户对和项目对之间的相似性来建立分区图和 user-user /item-item 图，并在双分图上执行图卷积，在四个公共基准测试中取得较显著的改进，证明了模型的有效性以及学习的嵌入捕获了重要的关系结构。

    Jan, 2020

  • 神经图协同过滤

    本篇论文提出了一种新的推荐框架，名为神经图协同过滤 (NGCF)，它通过在用户 - 物品图上传递嵌入来利用用户物品图结构，并显式地将协同信号注入到嵌入过程中，以更好地捕捉协同过滤效果。在三个公共基准测试中进行了广泛的实验，表明 NGCF 相对于 HOP-Rec 和 Collaborative Memory Network 等几种最先进的模型具有显着的改进。

    May, 2019

  • 解缠绕的图协同过滤

    该研究提出了一种基于图模型的新方法 ——Disentangled Graph Collaborative Filtering（DGCF），用于在用户意图的更细粒度的层次上进行用户 - 物品关系建模和表示学习，以解决现有协同过滤方法中用户兴趣多样性建模的问题，并实现优于几种最先进的模型的结果。

    Jul, 2020

  • 自监督多尺度邻域预测下的节点特征提取

    本文提出了一种新的自监督学习框架 GIANT，来优化节点特征提取过程中对图拓扑结构和节点属性的潜在相关性，并结合 XR-Transformers 方法，针对 Open Graph Benchmark 数据集通过 eXtreme Multi-label Classification 范式提高了 GNN 的性能。

    Oct, 2021